HDU 1879 畅通工程(最小生成树)

Description

省政府“畅通工程”的目标是使全省任何两个村庄间都可以实现公路交通(但不一定有直接的公路相连,只要能间接通过公路可达即可)。经过调查评估,得到的统计表中列出了有可能建设公路的若干条道路的成本。现请你编写程序,计算出全省畅通需要的最低成本。
 

Input

测试输入包含若干测试用例。每个测试用例的第1行给出评估的道路条数 N、村庄数目M ( < 100 );随后的 N  
行对应村庄间道路的成本,每行给出一对正整数,分别是两个村庄的编号,以及此两村庄间道路的成本(也是正整数)。为简单起见,村庄从1到M编号。当N为0时,全部输入结束,相应的结果不要输出。
 

Output

对每个测试用例,在1行里输出全省畅通需要的最低成本。若统计数据不足以保证畅通,则输出“?”。
 

Sample Input

     
     
3 3 1 2 1 1 3 2 2 3 4 1 3 2 3 2 0 100
 

Sample Output

     
     
3 ?
 
#include<stdio.h>
#include<string.h>
#include <iostream>
#include <algorithm>
using namespace std;
int set
[5005];
struct node
{
    int u,v,w;
} q[5000];

int cmp(struct node x, struct node y)
{
    return x.w < y.w;
}
int n,m;
int find(int x)
{
    int r;
    r=x;
    while(r!=set[r])
        r=set[r];
    int i=x;
    while(i!=r)
    {
        int j=set[i];
        set[i]=r;
        i=j;
    }
    return r;
}
int get()
{
    int cnt = 0,i,x,y;
    for( i = 0; i <= m; i++)
        set[i] = i;
    for( i = 1; i <=m; i++)
    {
        x = find(q[i].u);
        y = find(q[i].v);
        if(x != y)
        {
            cnt += q[i].w;
            set[y] = x;

        }
    }
    return cnt;
}
int main()
{
    int i,a;
    while(~scanf("%d %d",&n,&m))
    {
        if(n==0)
            break;
        memset(q,0,sizeof(q));
        for(i=1; i<=m; i++)
            set[i]=i;
        for(i=1; i<=n; i++)
        {
            scanf("%d %d %d",&q[i].u,&q[i].v,&q[i].w);

        }
        sort(q,q+m+1,cmp);
        a=get();
        for(i = 2 ; i <= m ; i++)
            if(find(1)!= find(i) )
                break;
        if(i <= m)
            printf("?\n");
        else
            printf("%d\n",a);
    }
    return 0;
}

这道题开始我不明白最短路和最小生成树之间的差别,后来征楠小胖胖给我讲解了一下,最小生成树就是整个结构的支撑架,需要每个都遍历,但是最短路就是两点距离不需要都遍历到
下面这是另一种方法累死于图
#include <stdio.h>
#include <string.h>
int vis[5000], map[200][200], d[1000], maxint=1000000;
void prim(int n)
{
    int i, j, _min, ans=0, pos;
    for(i=2;i<=n;i++)
        d[i]=map[1][i];
    vis[1]=1;
    for(i=1;i<n;i++)
    {
        _min=maxint;
        for(j=2;j<=n;j++)
        {
            if(!vis[j]&&d[j]<_min)
            {
                pos=j;
                _min=d[j];
            }
        }
        if(_min==maxint)
        {
            printf("?\n");
            return ;
        }
        ans+=_min;
        vis[pos]=1;
        for(j=2;j<=n;j++)
        {
            if(!vis[j]&&map[pos][j]<d[j])
            {
                d[j]=map[pos][j];
            }
        }
    }
    printf("%d\n",ans);
    return ;
}
int main()
{
    int n, m, a, b ,c, i, j;
    while(scanf("%d%d",&n,&m)!=EOF)
    {
        if(!n) break;
        memset(map,maxint,sizeof(map));
        memset(vis,0,sizeof(vis));
        while(n--)
        {
            scanf("%d%d%d",&a,&b,&c);
            if(map[a][b]>c)
            {
                map[a][b]=c;
                map[b][a]=c;
            }
        }
        prim(m);
    }
    return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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