UVA 10859 Placing Lampposts(树状DP)

题意:

给你一个n个点m条边的无向无环图,在尽量少的节点上放灯,使得所有边都被照亮。每盏灯将照亮以它为一个端点的所有边。

在灯的总数最小的前提下,被两盏灯同时被照亮的边数应该尽量大。

思路:

这里比较重要的思路就是

有两个所求的值要优化,比如让a尽量小,b也尽量小

那么可以转化为让 M*a+b尽量小,其中M应该是一个比“a的最大值和b的最小值之差”还要大的数

最终的答案为ans/M, ans%M

回到这题,要求放的灯总数最小,被两盏灯同时照亮的边数尽量大。

因为每条边要么被一盏灯照亮,要么被两盏灯照亮,所以可以转换为:

求:放的灯总数量最少,被一盏灯照亮的边数尽量少。

就可以变成球 M*a+b 的最小值,a为放置的灯数量,b为被一盏灯照的边数


然后就是一个树形DP,每个点没有经历过,那么他的子节点肯定是要经过的,在下面的节点分成两种情况,经过和不经过,这时就要比较下大小来判断

AC代码:

/* ***********************************************
Author        :yzkAccepted
Created Time  :2016/5/25 21:15:50
TASK		  :ggfly.cpp
LANG          :C++
************************************************ */

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <vector>
#include <queue>
#include <set>
#include <map>
#include <string>
#include <cmath>
#include <cstdlib>
#include <ctime>
#include <stack>
using namespace std;
const int maxn=2200;
const int M=2000;
int vis[maxn],f[maxn][2];
vector<int> adj[maxn];

void dfs(int u)
{
	vis[u]=1;
	f[u][0]=0;
	f[u][1]=M;
	for(int i = 0; i < adj[u].size(); ++i)
	{
		int v=adj[u][i];
		if(vis[v]==1)
			continue;
		dfs(v);
		f[u][0]+=f[v][1]+1;
		if(f[v][1]>f[v][0])
			f[u][1]+=f[v][0]+1;
		else
			f[u][1]+=f[v][1];
		
	}
}
int main()
{
    //freopen("in.txt","r",stdin);
    //freopen("out.txt","w",stdout);
	int t,n,i,j,ans,m;
	scanf("%d",&t);
	while(t--)
	{
		memset(vis,0,sizeof(vis));
		scanf("%d%d",&n,&m);
		for(i=0;i<n;i++)
			adj[i].clear();
		for(i=0;i<m;i++){
			int u,v;
			scanf("%d%d",&u,&v);
			adj[u].push_back(v);
			adj[v].push_back(u);
		}
		ans=0;
		for(i=0;i<n;i++)
			if(vis[i]==0)
			{
				dfs(i);
				ans+=min(f[i][0],f[i][1]);
			}
	/*	for(i=1;i<=n;i++)
		{
			cout<<f[i][0]<<" "<<f[i][1]<<endl;
		}
		cout<<ans<<endl;*/
		printf("%d %d %d\n",ans/M,m-ans%2000,ans%2000);
	}	
    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