50 years, 50 colors 二分匹配图

所有点的x,y之间连一条边,求最小点覆盖

题意:一个n*n矩阵,每个格子放一个气球,气球有颜色。
一个人一次可以选择一种颜色的气球,再选择一行或者一列,
把该种颜色的气球踩破;

你有k次机会,看否把某种颜色的气球全部踩破。若有些颜色的气球不能被踩破
,按从小大的顺序输出这些气球。否则,输出-1.

#include<bits/stdc++.h>
using namespace std;
const int maxn=200;
int n,k;
set<int>sett;
set<int> ::iterator it;
int mapp[maxn][maxn];
int answer[maxn];
int cx[maxn],cy[maxn],inpath[maxn];
int findpath(int u,int xx)
{
    for(int i=1;i<=n;i++)
    {
        int v=i;
        if(!inpath[v]&&mapp[u][v]==xx)
        {
            inpath[v]=1;
            if(cy[v]==-1||findpath(cy[v],xx))
            {
                cx[u]=v;
                cy[v]=u;
                return 1;
            }
        }
    }
    return 0;
}
int maxmatch(int xx)
{
    int res=0;
    for(int i=0;i<=n;i++)
    {
        cx[i]=-1;
        cy[i]=-1;
    }
    for(int i=1;i<=n;i++)
    {
        if(cx[i]==-1)
        {

            memset(inpath,0,sizeof(inpath));
            res+=findpath(i,xx);
            //printf("i:%d %d\n",i,res);
        }
    }
    return res;
}
int main ()
{
    while(~scanf("%d%d",&n,&k))
    {
        if(n==0&&k==0)
        {
            break;
        }
        sett.clear();
        for(int i=1;i<=n;i++)
        {
            for(int j=1;j<=n;j++)
            {
                scanf("%d",&mapp[i][j]);
                sett.insert(mapp[i][j]);
            }
        }
        int sum=0;
        int cnt=0;
        for(it=sett.begin();it!=sett.end();it++)
        {
            int ans=maxmatch(*it);
            //printf("i:%d %d\n",i,ans);
            if(ans>k)
            {
                sum++;
                answer[++cnt]=*it;
            }
        }
        if(sum==0)
        {
            printf("-1\n");
        }
        else
        {
            sort(answer+1,answer+1+cnt);
            for(int i=1;i<cnt;i++)
            {
                printf("%d ",answer[i]);
            }
            printf("%d\n",answer[cnt]);
        }
    }
}
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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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