2596 售货员的难题[状态压缩&&优先队列]

调试的错误就是编程给你最好的东西,因为在每个错误上面都标志着前进的一步。——CSDN

CodeVS AC 150!

题目

  • 时间限制: 1 s
  • 空间限制: 32000 KB
  • 题目等级 : 钻石 Diamond
  • 题目描述 Description

某乡有n个村庄(1< n<=15),有一个售货员,他要到各个村庄去售货,各村庄之间的路程s(0< s<1000)是已知的,且A村到B村与B村到A村的路大多不同。为了提高效率,他从商店出发到每个村庄一次,然后返回商店所在的村,假设商店所在的村庄为1,他不知道选择什么样的路线才能使所走的路程最短。请你帮他选择一条最短的路。

  • 输入描述 Input Description

村庄数n和各村之间的路程(均是整数)

  • 输出描述 Output Description

最短的路程

  • 样例输入 Sample Input

3
0 2 1
1 0 2
2 1 0

  • 样例输出 Sample Output

3

分析

写了很久,通过输出路径才发现状态压缩没有点的先后顺序,于是求得比正解小,归结于不动脑子调试能力欠缺
错因:对于优先队列使用不熟练+对题目/代码分析不清
说明:图论题目调试时尝试输出路径;状态多了以后一定判重;一时调不出来就换换脑子尝试别的方向

代码

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<queue>
#include<cstring>
using namespace std;
const int MN=21;
struct zt{
    int w,p;
    int s;
    //int cnt;
    //int a[20];
}; 
bool operator <(zt a,zt b){
    return a.w>b.w;
}
int t[MN][MN],n,a[71234][16];
priority_queue<zt>q;

void bfs(){
    zt k1;
    k1.s=0;
    k1.w=0;
    k1.p=1;
    //k1.cnt=0;
    //cout<<"k1"<<' '<<k1.p<<' '<<k1.s<<' '<<k1.p<<endl; 
    q.push(k1);
    while(!q.empty()){
        zt k=q.top();
        q.pop();
    //  cout<<"k"<<' '<<k.p<<' '<<k.s<<' '<<k.w<<endl; 
        int i=k.p;
        if(k.s!=((1<<n)-1)){
            for(int j=1;j<=n;j++){
                if(t[i][j]){
                    if(k.s!=(k.s|(1<<(j-1))))
                    {
                        zt k2=k;
                        k2.w+=t[i][j];
                        k2.s=k2.s|(1<<(j-1));
                        k2.p=j;
                        //k2.a[++k2.cnt]=j;
                    //  cout<<"k2"<<' '<<k2.p<<' '<<k2.s<<' '<<k2.w<<endl; 
                        if(a[k2.s][k2.p]>k2.w){
                            q.push(k2);
                            a[k2.s][k2.p]=k2.w;         
                        }                       
                    }
                }
            }   //vis[i]=0;
        }   
        else {
            if(k.p==1){
                cout<<k.w<<endl;
                /*for(int i=1;i<=k.cnt;i++){
                    cout<<k.a[i]<<' ';
                }
                cout<<endl;
                */
                return ;    
            }
        }
    }

}

int main(){
    cin>>n;
    // n++;
    memset(a,0x3f,sizeof(a));
    for(int i=1;i<=n;i++){
        for(int j=1;j<=n;j++){
            cin>>t[i][j];       
        }
    }
    bfs();
    return 0;
} 
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值