bzoj 1690: [Usaco2007 Dec]奶牛的旅行

传送门:http://www.lydsy.com/JudgeOnline/problem.php?id=1690

思路:0-1分数规划

其实0-1分数规划重要的是它的思想,就像最小乘积XXX(生成树,匹配等)一样,知道了思想,再套一个对应的的算法即可

一个不错的博客:http://www.cnblogs.com/perseawe/archive/2012/05/03/01fsgh.html

说下我的理解:

首先0-1分数规划是用来解决这一类问题:

有N个东西,可以选或不选(用0,1来表示),选了有A[i]的收益,但要付出B[i]的代价

最后求一种方案使得(ΣA[i])/(ΣB[i])最大(或最小)

形式上和最小乘积XXX很像,就是乘号改成除号

但是解决方法却很不同


首先我们用x[i]取1或0表示i是选还是不选(如果x[i]的取值不限制在0,1中就是更一般的分数规划了)

先讨论最大的情况,最小类似

那么假设最优解为R=Σ(A[i]*x[i])/Σ(B[i]*x[i])

移项Σ(A[i]*x[i])-R*Σ(B[i]*x[i])=0

构造一个新函数f(L)=Σ(A[i]*x[i])-L*Σ(B[i]*x[i])

合并同类项令d[i]=Σ((A[i]-L*B[i])*x[i])

f(L)=Σ(d[i]*x[i])

如果有一个方案X使得f(L)>0,

那么Σ(A[i]*x[i])/Σ(B[i]*x[i])>L

这说明这个方案的值比L更大,那我们就选它

d数组是随L单调减的,所以任何一种方案,L减小,f(L)都会下降,所以这个函数就有了单调性

于是我们就可以二分了


这题就是求最优比例环

首先不会有环套环,这个随便证一下就可以了

每次二分L,把边权赋成d[i],把收益也转到边上,判断是否存在正权环即可


#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
const int maxn=1010,maxm=5010;
const double eps=1e-5;
using namespace std;
int n,m,v[maxn],pre[maxm],now[maxn],son[maxm],val[maxm],tot;double ans=0.0,mid,dis[maxn];bool vis[maxn];
void add(int a,int b,int c){pre[++tot]=now[a],now[a]=tot,son[tot]=b,val[tot]=c;}

int spfa(int x){
	vis[x]=1;
	for (int y=now[x];y;y=pre[y]){
		double nval=v[son[y]]-mid*val[y];
		if (dis[son[y]]<dis[x]+nval){
			if (!vis[son[y]]){
				dis[son[y]]=dis[x]+nval;
				if (spfa(son[y])) return 1;
			}
			else return 1;
		}
	}
	return vis[x]=0;
}

int main(){
	scanf("%d%d",&n,&m);
	for (int i=1;i<=n;i++) scanf("%d",&v[i]);
	for (int i=1,x,y,z;i<=m;i++) scanf("%d%d%d",&x,&y,&z),add(x,y,z);
	double l=0.0,r=1000.0;mid=(l+r)/2.0;
	while (r-l>eps){
		memset(dis,254,sizeof(dis));
		memset(vis,0,sizeof(vis));
		dis[1]=0.0;
		if (spfa(1)) ans=mid,l=mid;
		else r=mid;
		//printf("%.2f %.2f\n",l,r);
		mid=(l+r)/2.0;
	}
	printf("%.2f\n",ans);
	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