HDU 2063 过山车(基础二分匹配)

过山车

Time Limit: 1000/1000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others)
Total Submission(s): 18533    Accepted Submission(s): 8063


Problem Description
RPG girls今天和大家一起去游乐场玩,终于可以坐上梦寐以求的过山车了。可是,过山车的每一排只有两个座位,而且还有条不成文的规矩,就是每个女生必须找个个男生做partner和她同坐。但是,每个女孩都有各自的想法,举个例子把,Rabbit只愿意和XHD或PQK做partner,Grass只愿意和linle或LL做partner,PrincessSnow愿意和水域浪子或伪酷儿做partner。考虑到经费问题,boss刘决定只让找到partner的人去坐过山车,其他的人,嘿嘿,就站在下面看着吧。聪明的Acmer,你可以帮忙算算最多有多少对组合可以坐上过山车吗?
 

Input
输入数据的第一行是三个整数K , M , N,分别表示可能的组合数目,女生的人数,男生的人数。0<K<=1000
1<=N 和M<=500.接下来的K行,每行有两个数,分别表示女生Ai愿意和男生Bj做partner。最后一个0结束输入。
 

Output
对于每组数据,输出一个整数,表示可以坐上过山车的最多组合数。
 

Sample Input
  
  
6 3 3 1 1 1 2 1 3 2 1 2 3 3 1 0
 

Sample Output
  
  
3
 

Author
PrincessSnow
 

Source

#include <cstdio>
#include <algorithm>
#include <cstring>
#include <vector>

using namespace std;
const int MAXN = 1e3 + 5;
int K, M, N;

vector<int>G[MAXN];
bool vis[MAXN];
int link[MAXN];


void init() {
	for(int i = 0; i < MAXN; i ++) {
		G[i].clear();
	}
}

bool path(int u) {
	for(int i = 0; i < G[u].size(); i ++) {
		if(vis[G[u][i]])continue;
		vis[G[u][i]] = true;
		if(link[G[u][i]] == -1 || path(link[G[u][i]])) {
			link[G[u][i]] = u;
			return true;
		}
	}
	return false;
}

int solve() {
	int res = 0;
	for(int i = 1; i <= M; i ++) {
		memset(vis, false, sizeof(vis));
		if(path(i)) {
			res ++;
		}
	}
	return res;
}

int main() {
	int x, y;
	while(~scanf("%d", &K), K) {
		scanf("%d%d", &M, &N);
		init();
		memset(link, -1, sizeof(link));
		for(int i = 0; i < K; i ++) {
			scanf("%d%d", &x, &y);
			G[x].push_back(y);
		}
		printf("%d\n", solve());
	}
	return 0;
}


总结:
已经很久没有碰二分匹配了,基本忘的一干二净,还是得写个自己能够快速理解看懂的博客才管用,
二分匹配,说白了就是一堆男女每一个人找自己的另一半,很明显,一个男子只能取一个女子,而一个女子也只能嫁给你一个男子。
一一对应
而二分匹配如何求得,增广路也称为匈牙利算法
就是是否可以找到当前没有在匹配图中的顶点,如果找到了,证明找到了一种匹配,为什么呢?
很明显,如果当前已经正常的匹配了几个人:1--2, 3--4,那么对于接下来的要一个点,我们有两种情况:
1.除了当前需要连接的两个点之外,这两个点没有再连接其它点,那么他们两个连接起来就是一个匹配
2.如果当前需要连接的两个点中的一个点有其他的点与它匹配,那么我们就要沿着这个点,让这个点和其它点匹配的边的个数达到奇数个,即增加至少一个新的边在这个点和其它点匹配路径上,将需要连接的两个点进行连接,将偶数边删除即可得到新的匹配,并且新的匹配比原来的匹配多一个新的匹配。
黑色的边比红色的边多出一个。

 
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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