BZOJ 1770 [Usaco2009 Nov]lights 燈 【高斯消元】

Description

貝希和她的閨密們在她們的牛棚中玩遊戲。但是天不從人願,突然,牛棚的電源跳閘了,所有的燈都被關閉了。貝希是一個很膽小的女生,在伸手不見拇指的無盡的黑暗中,她感到驚恐,痛苦與絕望。她希望您能夠幫幫她,把所有的燈都給重新開起來!她才能繼續快樂地跟她的閨密們繼續玩遊戲! 牛棚中一共有N(1 <= N <= 35)盞燈,編號為1到N。這些燈被置於一個非常複雜的網絡之中。有M(1 <= M <= 595)條很神奇的無向邊,每條邊連接兩盞燈。 每盞燈上面都帶有一個開關。當按下某一盞燈的開關的時候,這盞燈本身,還有所有有邊連向這盞燈的燈的狀態都會被改變。狀態改變指的是:當一盞燈是開著的時候,這盞燈被關掉;當一盞燈是關著的時候,這盞燈被打開。 問最少要按下多少個開關,才能把所有的燈都給重新打開。 數據保證至少有一種按開關的方案,使得所有的燈都被重新打開。

Solution

题意:有 n 个操作,每个操作可以改变一些灯的状态,问打开所有的灯需要的的最小操作数,开始时灯都是灭的

显然同一个操作进行两个是没有意义的

只可能选或不选,灯的状态也只有两种,开或灭,显然是解一个异或方程

可以由题意列出一个关系表

aij 表示 i j 是否可以互相改变状态然后有异或方程

a11*x1 XOR a12*x2 XOR ... XOR a1n*xn = 1

a21*x1 XOR a22*x2 XOR ... XOR a2n*xn = 1

……………………………………………………

am1*x1 XOR am2*x2 XOR ... XOR amn*xn = 1

用高斯消元解一下就可以的到解

然而题目要求的是最小解

什么时候解会不唯一呢?

如果有一个项 xi ,最后解出的方程是 0*xi = 0

即当第 i 个及以后的方程中xi系数均为0,就称xi自由元(xi不管是取0还是1,都能导出整个方程组的一个解)

在矩阵中就体现为 f[ i ][ i ]=0

此时 xi 取 0 或 1 都可能改变其他的 xj 的取值

使ans=∑xi 的值发生变化

这个时候枚举一下 xi 的取值,更新答案


使用高斯约当消元后,化成倒三角;

然而本题并没有保证唯一解,会有很多多出来的自由元;

从n开始找到可能的更优解:若为自由元,枚举当前的取值ans[k],否则通过计算得到当前的ans:

  a[k][1]*ans[1] XOR a[k][2]*ans[2] XOR ... XOR a[k][n]*ans[n] = a[k][n+1]

由于消元过程中保证了前面全为0,得

  ans[k]=a[k][n+1] ^ (a[k][k+1]*ans[k+1]) ^ (a[k][k+2]*ans[k+2]) ^ …… ^(a[k][n]*ans[n])

最后ans的1的个数就是开灯的数量啦.


 

 

 1 #include<bits/stdc++.h>
 2 
 3 #define maxn 35+5
 4 #define set(a,b) memset(a,(b),sizeof(a))
 5 #define fr(i,a,b) for(ll i=(a),_end_=(b);i<=_end_;i++)
 6 #define rf(i,b,a) for(ll i=(a),_end_=(b);i>=_end_;i--)
 7 
 8 using namespace std;
 9 
10 typedef long long ll;
11 
12 int f[maxn][maxn];
13 int ans[maxn],res=INT_MAX;
14 int n,m;
15 
16 void gauss()
17 {
18   fr(i,1,n){
19     int j=i;
20     while( j<=n && !f[j][i] ) j++;
21     if( j>n ) continue;
22     if( i!=j )
23       fr(p,1,n+1)
24     swap(f[i][p],f[j][p]);
25     fr(j,1,n)
26       if( i!=j && f[j][i] )
27     fr(p,1,n+1)
28       f[j][p]^=f[i][p];
29   }
30 }
31 
32 void dfs(int x,int cost)
33 {
34   if( cost>=res ) return ;
35   if( !x ){
36     res=cost;
37     return ;
38   }
39   if( f[x][x] ){
40     int t=f[x][n+1];
41     fr(i,x+1,n)
42       if( f[x][i] ) t^=ans[i];
43     ans[x]=t;
44     dfs(x-1,cost+t);
45   }
46   else{
47     ans[x]=0;
48     dfs(x-1,cost);
49     ans[x]=1;
50     dfs(x-1,cost+1);
51   }
52 }
53 
54 int main()
55 {
56 #ifndef ONLINE_JUDGE
57   freopen("1770.in","r",stdin);
58   freopen("1770.out","w",stdout);
59 #endif
60   cin >> n >> m ;
61   fr(i,1,n)
62     f[i][i]=f[i][n+1]=1;
63   fr(i,1,m){
64     int x,y;
65     cin >> x >> y ;
66     f[x][y]=f[y][x]=1;
67   }
68   gauss();
69   dfs(n,0);
70   cout << res ;
71   return 0;
72 }

 

转载于:https://www.cnblogs.com/ST-Saint/p/4617335.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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