Wannafly挑战赛14 C、可达性 (tanjar 缩点 )

题目链接:https://www.nowcoder.com/acm/contest/81/C

题目:给n点、m条边(无自环、重边),取出最少点能跑到所有点,输出点数和升序输出这些点(如果有多种情况,输出字典序最小的点集)

tarjan 缩点裸题!
1、 修改模板两点即可! 添加u的回边连接点v已经不在栈里,即v已经属于一个确定的强连通分量 flag[v],这个分量即可删去,因为能通过其它点跑到!标记为p[flag[v]] =-1.
2、另外一个强连通分量出栈后,此时栈内不为空,表明上面有父点直达这个强连通分量,所
以删去此点p[flag[u]] =-1.
3、最终排序所有的强连通分量p(记录的强连通分量中最小下标),输出全部不为-1的p!

/*
wannafly 14 C、tanjar 缩点
*/

#include <iostream>
#include <stdio.h>
#include <algorithm>
#include <string.h>
#include <map>
#include <vector>
#include <set>
#define llt long long

using namespace std;

const int Size = 1e5+7;
vector <int> V[Size];
int DFN[Size],LOW[Size],vis[Size],q[Size];
int p[Size];//第i个强连通分量的最小表示
int flag[Size];//i节点属于第几个强连通分量
int cnt = 0;
//Tanjar 缩强连通分量
int toUsed = 0,num = 0;
void Tanjar(int u){
    DFN[u] = ++toUsed;
    LOW[u] = toUsed;
    vis[u] = 1;
    q[cnt++] = u;

    for(int i=0;i<V[u].size();++i){
        int v = V[u][i];
        if(DFN[v]==0){
            Tanjar(v);
            LOW[u] = min(LOW[u],LOW[v]);//u通过儿子的回边能到达的最远祖先
        }else if(vis[v]){//在栈内
            LOW[u] = min(LOW[u],DFN[v]);//回边到达的节点
        }else {//已经缩为点,入度不为0
            p[flag[v]] = -1;
        }
    }

    if(DFN[u]==LOW[u]){
        p[num++] = u;
        do{
            int v = q[cnt-1];
            vis[v] = 0;
            flag[v] = num-1;
            p[num-1] = min(p[num-1],v);
            cnt--;
        }while(q[cnt]!=u);
        if(cnt!=0) p[num-1] = -1;
    }
}
int main(){

    int n,m;
    scanf("%d%d",&n,&m);

    for(int i=1;i<=m;++i){
        int u,v;
        scanf("%d%d",&u,&v);
        V[u].push_back(v);
    }

    for(int i=1;i<=n;++i)
        if(DFN[i]==0) Tanjar(i);
    sort(p,p+num);
    int j=0;

    for(j=0;j<num;++j)
        if(p[j]!=-1) break;

    printf("%d\n",num-j);
    for(j;j<num;++j) printf("%d%c",p[j],(j==num-1)?'\n':' ');

    return 0;
}
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