天气晴朗的魔法 51Nod - 1640

点击打开链接

两种解法

一:

二分最长边 求最大生成树

 

#include <bits/stdc++.h>
using namespace std;
#define ll long long

struct node
{
    int u;
    int v;
    ll w;
};

node edge[200010];
ll len[200010];
ll ans;
int f[100010];
int n,m;

int cmp(node n1,node n2)
{
    return n1.w>n2.w;
}

int getf(int p)
{
    if(f[p]==p) return p;
    else
    {
        f[p]=getf(f[p]);
        return f[p];
    }
}

int unite(int u,int v)
{
    int fu,fv;
    fu=getf(u);
    fv=getf(v);
    if(fu!=fv)
    {
        f[fv]=fu;
        return 1;
    }
    else
    {
        return 0;
    }
}

ll judge(ll lim)
{
    ll sum;
    int i,p,cnt;
    for(i=1;i<=n;i++)
    {
        f[i]=i;
    }
    sum=0,cnt=0,p=0;
    for(i=1;i<=m;i++)
    {
        if(edge[i].w<=lim)
        {
            p=i;
            break;
        }
    }
    for(i=p;i<=m;i++)
    {
        if(unite(edge[i].u,edge[i].v))
        {
            sum+=edge[i].w;
            cnt++;
        }
        if(cnt==n-1) break;
    }
    if(cnt==n-1) return sum;
    else return -1;
}

void binsearch()
{
    ll t;
    int i,j,l,r,mid;
    j=0;
    for(i=1;i<=m;i++)
    {
        if(edge[i].w!=len[j])
        {
            j++;
            len[j]=edge[i].w;
        }
    }
    l=1,r=j,ans=0;
    while(l<=r)
    {
        mid=(l+r)/2;
        t=judge(len[mid]);
        if(t!=-1)
        {
            ans=t;
            l=mid+1;
        }
        else
        {
            r=mid-1;
        }
    }
    return;
}

int main()
{
    int i,j;
    while(scanf("%d%d",&n,&m)!=EOF)
    {
        for(i=1;i<=m;i++)
        {
            scanf("%d%d%lld",&edge[i].u,&edge[i].v,&edge[i].w);
        }
        sort(edge+1,edge+m+1,cmp);
        binsearch();
        printf("%lld\n",ans);
    }
    return 0;
}

 

 

 

二:

题意其实是先保证最大边最小 其次总和最大 就是说只要保证能形成(n-1)条边的连通图 树中最大边越小越好

于是先考虑形成一个最小生成树 再凑最大生成树 这样可以确定所谓的"最小的最大边"

这样考虑是因为生成树不管最大还是最小 都是生成一个(n-1)条边的连通图 而在找到(n-1)条边形成这颗最小生成树后 最后一条放入生成树中的边的边长即为"最小的最大边"的长

注意是边长 因为等长的边还可能有其他的边 这些边在构成最大生成树时可能会用到 这里WA了几发才发现..

再用所有不超过这个长度限定的边构成最大生成树即可

 

#include <stdio.h>
#include <algorithm>
using namespace std;

struct node
{
    int u;
    int v;
    long long w;
};

struct node edge[200001];
int f[100001];
int n,m;

int cmp(node n1,node n2)
{
    return n1.w<n2.w;
}

int unite(int u,int v);
int getf(int p);

int main()
{
    long long sum;
    int i,j,cnt,p;
    while(scanf("%d%d",&n,&m)!=EOF)
    {
        for(i=1;i<=m;i++)
        {
            scanf("%d%d%lld",&edge[i].u,&edge[i].v,&edge[i].w);
        }
        sort(edge+1,edge+m+1,cmp);
        for(i=1;i<=n;i++)
        {
            f[i]=i;
        }
        cnt=0;
        for(i=1;i<=m;i++)
        {
            if(unite(edge[i].u,edge[i].v))
            {
                cnt++;
            }
            if(cnt==n-1)
            {
                p=i;
                break;
            }
        }
        for(i=p+1;i<=m;i++)
        {
            if(edge[i].w==edge[p].w) p=i;
            else break;
        }
        for(i=1;i<=n;i++)
        {
            f[i]=i;
        }
        cnt=0,sum=0;
        for(i=p;i>=1;i--)
        {
            if(unite(edge[i].u,edge[i].v))
            {
                cnt++;
                sum+=edge[i].w;
            }
            if(cnt==n-1)
            {
                break;
            }
        }
        printf("%lld\n",sum);
    }
    return 0;
}

int unite(int u,int v)
{
    int fu,fv;
    fu=getf(u);
    fv=getf(v);
    if(fu!=fv)
    {
        f[fv]=fu;
        return 1;
    }
    else return 0;
}

int getf(int p)
{
    if(f[p]==p) return p;
    else
    {
        f[p]=getf(f[p]);
        return f[p];
    }
}

 

 

 

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。
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