Strongly connected HDU - 4635

题意:

给定一个有向图,求最大可以增加多少条边使得这个仍然不是强连通。

题解:

考虑逆向思维
我们知道一个有向完全图的边数为 n * (n - 1)
比如现在有k(k >= 2)个连通块,其中一个连通块的点数为 x
那么我们将这 x 个点和其他 n - x 个点的边删掉,删掉后的图一定不是强连通的

因此我们只需要考虑让需要删掉的边 x * (n - x) 最少,那最后留下的边就越多
所以我们只需要使 n * (n - 1) - x * (n - x) - m 最大即可

因为n, m都是定值,这其实也就是一个定义域在[1, n],关于 n/2 对称的二次函数
由于是函数是下凹的,所以我们的 x 取靠近 1 或者 靠近 n 的

其实我们直接取靠近 1 的即可,因为其他连通块的点数一定 <= n - x,和 n 的绝对值一定大于等于 x 和 1 的绝对值

因此直接找到入度或出度为 0 的连通块中点的数量最小的即可

代码:
/*
 * @Author : Nightmare
 */
#include <bits/stdc++.h>
using namespace std;
#define ll long long
#define ull unsigned long long
#define ls 2 * rt
#define rs 2 * rt + 1
#define gcd(a,b) __gcd(a,b)
#define eps 1e-8
#define lowbit(x) (x&(-x))
#define N 200005
#define M 2000005
#define mod 1000000007
#define inf 0x3f3f3f3f
int n, m, cas, cnt, low[N], dfn[N], instack[N], st[N], top;
int a[N], b[N], sc, scc[N], in[N], out[N], cont[N];
vector<int> edge[N];
void add(int a, int b){ edge[a].push_back(b); }
void init(){
    for(int i = 1 ; i <= n ; i ++) edge[i].clear();
    for(int i = 1 ; i <= n ; i ++) low[i] = dfn[i] = instack[i] = in[i] = out[i] = cont[i] = 0;
    sc = cnt = top = 0;
}
void tarjan(int u){
    low[u] = dfn[u] = ++cnt; st[++top] = u; instack[u] = 1;
    for(auto &v : edge[u]){
        if(!dfn[v]) tarjan(v), low[u] = min(low[u], low[v]);
        else if(instack[v]) low[u] = min(low[u], dfn[v]);
    }
    if(low[u] == dfn[u]){
        ++sc; int v;
        do{
            v = st[top --]; instack[v] = 0; scc[v] = sc; cont[sc] ++;
        }while(u != v);
    }
}
void solve(){
    printf("Case %d: ", ++cas);
    scanf("%d %d", &n, &m);
    init();
    for(int i = 1 ; i <= m ; i ++) scanf("%d %d", &a[i], &b[i]), add(a[i], b[i]);
    for(int i = 1 ; i <= n ; i ++) if(!dfn[i]) tarjan(i);
    if(sc == 1){ puts("-1"); return ; }
    for(int i = 1 ; i <= m ; i ++)
        if(scc[a[i]] != scc[b[i]])
            out[scc[a[i]]] ++, in[scc[b[i]]] ++;
    int mi = n;
    // 入度为 0 表示 删去的是 其他所有点到该连通块中的所有点的有向边
    // 出度为 0 表示 删去的是 该连通块中的所有点到其他所有点的有向边
    for(int i = 1 ; i <= sc ; i ++)
        if(!in[i] || !out[i])
            mi = min(mi, cont[i]);
    ll ans = 1ll * n * (n - 1) - m - 1ll * mi * (n - mi);
    printf("%lld\n", ans);
}
signed main(){
#ifndef ONLINE_JUDGE
    freopen("F:\\in.txt", "r", stdin);
#endif
    int T; scanf("%d", &T); while(T--) solve();
#ifndef ONLINE_JUDGE
    cerr << "Time elapsed: " << 1.0 * clock() / CLOCKS_PER_SEC << " s.\n";
#endif
    return 0;
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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