poj 1797 Dijkstra算法

题意:

给定n个顶点,以及m条边,每条边包括:起点,终点,权重
现在要从顶点出发到达顶点n,求路径中能够承受的最大权重

思路:

本题要求出从顶点1到n的所有的可行路径中各边权值的最小值的最大值

max(min(可行路径)),最短路径的变形

#include<iostream>
#include<cstring>
#include<cstdio>
using namespace std ;
#define N 1005
#define inf 1000005
int edge[N][N];
int dis[N];//从1到其余点的可行路径上边权值最小值得最大值 
bool vis[N];//标记是否已经求出dis 
int n,m;
void Dijkstra()
{	
	memset(vis,0,sizeof(vis));
	dis[1]=0;
	vis[1]=1;
	for(int i=2;i<=n;i++)
	dis[i]=edge[1][i];
	int maxint,ind;

	for(int i=1;i<n;i++)//求出每个顶点的dis值 
	{
		maxint=-inf,ind=1;
		for(int j=1;j<=n;j++)//求出最大的dis值
		if(!vis[j]&&dis[j]>maxint)
		{
			maxint=dis[j];
			ind=j;
		 } 
		vis[ind]=1;//标记已经求出
		 for(int j=1;j<=n;j++)//扩展各顶点 
		  if(!vis[j]&&(min(dis[ind],edge[ind][j]))>dis[j])
		   dis[j]=min(dis[ind],edge[ind][j]);
		}	
	 printf("%d\n\n",dis[n]);
}
int main()
{
	ios::sync_with_stdio(0);
	int t,kase=1;
	cin>>t;
	while(t--){
		
		cin>>n>>m;
		//初始化为负无穷 
		for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
		edge[i][j]=-inf;
	
		for(int i=0;i<m;i++)
		{
			int a,b,d;
			cin>>a>>b>>d;
			edge[a][b]=edge[b][a]=d;
		}
		printf("Scenario #%d:\n",kase++);
		Dijkstra(); 
	}
	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