2019东北赛F题 Mini-game Before Contes

@2019东北赛F题 Mini-game Before Contest

F. Mini-game Before Contest

题意

两支队伍在一张 n 个点 m 条边的有向图上玩游戏,6 个人
轮流移动棋子行动一步,不能移动的人所属队伍输。
正常人希望赢,不能赢则希望平局;而演员希望输,不能输
则希望平局

思路

我认为这道题只是披着博弈外衣的一道dp题,当时没做出来主要就是因为没想到可以用dp的状态来表示博弈的结果.
f[i][j]表示当前轮到第i个人行动在第j个点的博弈结果,初始化为-1,表示平局,0表示i所在队失败,1表示其所在队胜出
对于出度为0的点可以直接令其f[i][j]值为0
对于其他点我们利用spfa来进行更新
考虑所有的f[u][j+1],u是i一步可达的点,若有一点值为0则f[i][j]为1,actor则相反(这里大概是用到唯一博弈的地方吧,非常好想)

代码

// 菜鸡对着标程改了好久
#include <iostream>
#include <cstdio>
#include <fstream>
#include <algorithm>
#include <cmath>
#include <deque>
#include <vector>
#include <queue>
#include <string>
#include <cstring>
#include <map>
#include <stack>
#include <set>
#include <sstream>
#define IOS ios_base::sync_with_stdio(0); cin.tie(0);
#define ll long long
#define INF 0x3f3f3f3f 
#define MEM(x,y) memset(x,y,sizeof(x))
#define int long long
#define rep(i , a , b) for(int i = a ; i <= b ; i ++)
#define P pair<int,int>
#define sc(a) scanf("%lld",&a)
#define pf(a) printf("%lld ",a)
using namespace std;
const int N = 1000010;
int m, n;
int h[N], e[N],  nx[N], idx;
void add(int a, int b)
{
	e[idx] = b, nx[idx] = h[a], h[a] = idx++;
}
string s1, act;
int f[N][6];//dp数组
int du[N][6];//出度
int vis[N][6];//spfa判重
queue<P> q;
signed main() {
	int T;
	cin >> T;
	while (T--) 
	{
		cin >> n >> m;		
		rep(i, 1, n)
		{
			h[i] = -1;
			idx = 0;
		}
		rep(i,1,n)
			rep(j,0,5)
				f[i][j] = -1, du[i][j] = 0, vis[i][j] = 0;
		rep(i,0,m-1)
		{
			int u, v;
			sc(u);
			sc(v);
			add(v, u);
			for (int j = 0; j < 6; ++j)
				++du[u][j];
		}
		cin >> s1 >> act;
		rep(i,0,5)
			act[i] -= '0';
		rep(i,1,n)
			rep(j,0,5)
				if (du[i][j] == 0) 
				{
					vis[i][j] = 1;
					f[i][j] = 0;
					q.push(P(i, j));
				}
		while (!q.empty()) 
		{
			P now = q.front(); 
			q.pop();
			int u = now.first;
			int p = now.second;
			for (int i = h[u]; ~i; i = nx[i])
			{
				int v = e[i];
				int np = (p + 5) % 6;
				if (vis[v][np]) continue;
				if (s1[p] == s1[np]) 
				{
					if (act[np]) 
					{
						if (f[u][p] == 1) 
						{
							--du[v][np];
							if (du[v][np] == 0) 
							{
								f[v][np] = 1;
								vis[v][np] = 1;
								q.push(P(v, np));
							}
						}
						else 
						{
							f[v][np] = 0;
							vis[v][np] = 1;
							q.push(P(v, np));
						}
					}
					else 
					{
						if (f[u][p] == 1) 
						{
							f[v][np] = 1;
							vis[v][np] = 1;
							q.push(P(v, np));
						}
						else
						{ 
							--du[v][np];
							if (du[v][np] == 0) 
							{
								f[v][np] = 0;
								vis[v][np] = 1;
								q.push(P(v, np));
							}
						}
					}
				}
				else 
				{ 
					if (act[np]) 
					{
						if (f[u][p] == 1) 
						{
							f[v][np] = 0;
							vis[v][np] = 1;
							q.push(P(v, np));
						}
						else 
						{
							--du[v][np];
							if (du[v][np] == 0) 
							{
								f[v][np] = 1;
								vis[v][np] = 1;
								q.push(P(v, np));
							}
						}
					}
					else 
					{
						if (f[u][p] == 1)
						{
							--du[v][np];
							if (du[v][np] == 0) 
							{
								f[v][np] = 0;
								vis[v][np] = 1;
								q.push(P(v, np));
							}
						}
						else 
						{
							f[v][np] = 1;
							vis[v][np] = 1;
							q.push(P(v, np));
						}
					}
				}
			}
		}
		rep(i, 1, n)
			if (f[i][0] == -1)
				cout << "D";
			else if (f[i][0] == 1) 
				cout<<s1[0];
			else 
			{
				char c = 'A' + 'B' - s1[0];
				cout << c;
			}
		cout << endl;
	}
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问 目标检测涉及以下几个核心问: 分类问:判断图像中的目标属于哪个类别。 定位问:确定目标在图像中的具体位置。 大小问:目标可能具有不同的大小。 形状问:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问 目标检测涉及以下几个核心问: 分类问:判断图像中的目标属于哪个类别。 定位问:确定目标在图像中的具体位置。 大小问:目标可能具有不同的大小。 形状问:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问 目标检测涉及以下几个核心问: 分类问:判断图像中的目标属于哪个类别。 定位问:确定目标在图像中的具体位置。 大小问:目标可能具有不同的大小。 形状问:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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