bzoj 1003: [ZJOI2006]物流运输trans

这道题还算比较水。。

spfa预处理从第i天到第j天的可行最短路存为t[i][j],

然后直接dp。

f[i] 代表到第i天的最小费用

f[i] = min(f[i],min(t[1][i]*i,f[j]+k+t[j+1][i]*(i-j)))

/*
ID:zsy99021
PROB:bzoj1003 
LANG:C++
*/
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>
#include <iostream>
#include <fstream>
#include <ctime>
#define N 108
#define M 28
#define mid(l,r) ((l+r) >> 1)
#define INF 0x7ffffff
using namespace std;
  
long long n,t[N][N],m,k,e,head[M];
long long f[N]; 
bool flag[N][M];
  
struct wulala
{
    int node,next,dist;
}h[M*M];
  
int spfa(int a,int b)
{
    bool block[M],inq[M];
    int dis[M];
    int tail = 0,headd = 1,q[M*M];
    memset(block,0,sizeof(block));
    memset(inq,0,sizeof(inq));
    memset(q,0,sizeof(q));
    for (int i = 1;i <= m;i++) dis[i] = INF;
    for (int i = a;i <= b;i++)
        for (int j = 1;j <= m;j++) if (flag[i][j]) block[j] = true;
    q[1] = 1; inq[1] = true; dis[1] = 0;
    while(tail < headd)
    {
        int u = q[++tail];
        int c = head[u];
        while(c)
        {
            if (block[h[c].node]||dis[h[c].node] < dis[u] + h[c].dist)
            {
                c = h[c].next;
                continue;
            }
            if (!inq[h[c].node]) q[++headd] = h[c].node;
            dis[h[c].node] = dis[u] + h[c].dist;
            inq[h[c].node] = true;
            c = h[c].next; 
        }
        inq[u] = false;
    }
    return(dis[m]);
}
  
void init()
{
    memset(flag,0,sizeof(flag));
    scanf("%d%d%d%d",&n,&m,&k,&e);
    for (int i = 1;i <= e;i++)
    {
        int x,y,z;
        scanf("%d%d%d",&x,&y,&z);
        h[2*i-1].node = y;
        h[2*i].node = x;
        h[2*i-1].dist = h[2*i].dist = z;
        h[2*i-1].next = head[x];
        head[x] = 2 * i - 1;
        h[2*i].next = head[y];
        head[y] = 2 * i;
    }
    int d;
    scanf("%d",&d);
    for (int i = 1;i <= d;i++)
    {
        int a,b,p;
        scanf("%d%d%d",&p,&a,&b);
        for (int j = a;j <= b;j++) flag[j][p] = true; 
    } 
    for (int i = 1;i <= n;i++)
        for (int j = i;j <= n;j++)
            t[i][j] = spfa(i,j);
}
  
void work()
{
    memset(f,127,sizeof(f)); 
    for (int i = 1;i <= n;i++) f[0] = 0;
    for (int i = 1;i <= n;i++)
        for (int j = 0;j < i;j++)
            f[i] = min(f[i],min(t[1][i]*i,f[j]+k+t[j+1][i]*(i-j)));
}
  
void debug()
{
    for (int i = 1;i <= n;i++)
    {
        for (int j = 1;j <= n;j++) printf("%d ",t[i][j]);
        printf("\n");
    }
}
  
int main()
{
    init();
//  debug();
    work();
    printf("%d\n",f[n]);
    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。
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