2022 杭电多校 第十场 1001 Winner Prediction(最大流)

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=7244

杭电题解:先让 1号选手赢下所有和他有关的比赛,设此时选手赢了a场比赛。如果存在某个 ai> a1 则1号选手不可能成为冠军。否则选手至多还能再赢bi = a1 - ai 场比赛。考虑建立一张网络流图: 每场未进行的比赛在图中用一个点表示,源点向它连容量为 1的边,它向它的两个参赛选手的对应点各自连容量为 1的边,选手的对应点向汇点连容量为 bi 的边。计算该图最大流,若源点出发的边满流则答案为 YES ,否则为 NO。

代码:

  1 #include<bits/stdc++.h>
  2 using namespace std;
  3 #define el '\n'
  4 using ll = long long;
  5 using db = double;
  6 using ldb = long double;
  7 const int mod = 1e9 + 7;
  8 const int inf = 0x3f3f3f3f;
  9 const int N = 2000 + 10;
 10 const int M = 10000 + 10;
 11 
 12 int lv[N], cur[N], head[N];
 13 int n, m, s, t, tot;
 14 
 15 struct node {
 16     int to, next, w;
 17 }e[M];
 18 
 19 void add(int u, int v, int w) {
 20     e[tot].to = v;
 21     e[tot].w = w;
 22     e[tot].next = head[u];
 23     head[u] = tot++;
 24 }
 25 
 26 inline bool bfs() {
 27     memset(lv, -1, sizeof(lv));
 28     memcpy(cur, head, sizeof(head));
 29     queue<int>q;
 30     q.push(s);
 31     lv[s] = 0;
 32     while (!q.empty()) {
 33         int p = q.front();
 34         q.pop();
 35         for (int i = head[p]; i + 1; i = e[i].next) {
 36             int to = e[i].to, vol = e[i].w;
 37             if (vol > 0 && lv[to] == -1) {
 38                 lv[to] = lv[p] + 1;
 39                 q.push(to);
 40             }
 41         }
 42     }
 43     return lv[t] != -1;    
 44 }
 45 
 46 int dfs(int p = s, int flow = inf) {
 47     if (p == t) 
 48         return flow;
 49     int rmn = flow;
 50     for (int i = cur[p]; i + 1 && rmn; i = e[i].next) {
 51         cur[p] = i;
 52         int to = e[i].to, vol = e[i].w;
 53         if (vol > 0 && lv[to] == lv[p] + 1) {
 54             int c = dfs(to, min(rmn, vol));
 55             rmn -= c;
 56             e[i].w -= c;
 57             e[i ^ 1].w += c;
 58         }
 59     }
 60     return flow - rmn;
 61 }
 62 
 63 inline ll dinic() {
 64     ll ans = 0;
 65     while (bfs()) {
 66         ans += dfs();
 67     }
 68     return ans;
 69 }
 70 
 71 int a[N];
 72 
 73 int main() {
 74     
 75     ios::sync_with_stdio(false);
 76     cin.tie(0), cout.tie(0);
 77     int T;
 78     cin >> T;
 79     t = 2000, s = 0;
 80     while (T--) {
 81         int n, m1, m2, cnt, sum = 0;
 82         cin >> n >> m1 >> m2;
 83         memset(head, -1, sizeof(head));
 84         memset(e, 0, sizeof(e));
 85         memset(a, 0, sizeof(a));
 86         tot = 0, cnt = n;
 87         int mx = 0;
 88         for (int i = 1; i <= m1; i++) {
 89             int u, v, f;
 90             cin >> u >> v >> f;
 91             if (f) a[u] ++;
 92             else a[v] ++;
 93             mx = max(mx, max(a[u], a[v]));
 94         }
 95         for (int i = 1; i <= m2; i++) {
 96             int u, v;
 97             cin >> u >> v;
 98             if (u == 1 || v == 1) { a[1] ++; continue; }
 99             sum ++;
100             add(s, ++cnt, 1), add(cnt, s, 0);
101             add(cnt, u, 1), add(u, cnt, 0);
102             add(cnt, v, 1), add(v, cnt, 0);
103         }
104         if (sum == 0) {
105             if (a[1] >= mx) cout << "YES" << el;
106             else cout << "NO" << el;
107             continue;
108         }
109         if (mx > a[1]) { cout << "NO" << el; continue; }
110         for (int i = 2; i <= n; i++) {
111             if (a[1] >= a[i]) add(i, t, a[1] - a[i]), add(t, i, 0);
112         }
113         int ansf = dinic();
114         if (ansf == sum) cout << "YES" << el;
115         else cout << "NO" << el;
116     }
117 
118     return 0;
119 }
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