洛谷 P1073 最优贸易(反向最短路)

传送门


解题思路

很长的题,实际上在一个有向图(点有点权)中求一个从起点1到终点n的路径,使得这条路径上点权最大的点与点权最小的点的差值最大(要求必须从点权较小的点能够走到点权较大的点)。

——最短路??

——不像呀。

(可是洛谷标签上写着呀)

就是一个写起来像最短路的一个图中的dp。

我们用dis1[i]表示从1号点到第i号点的路径上的最小值,用dis2[i]表示从i号点到第n号点的最大值,最后只需要找出最大的(dis2[i]-dis1[i])即可。

怎么求dis2呢?这里有一种方法——建反图。

建反图就是把每一条有向边反过来,例如原来是u-->v,现在变成了v-->u。

然后从n开始,跑一遍n到各个点的最短路,求出dis2数组。

对于dis数组,dis[i的儿子k]=dis[i],v[k](k号点本身的数值),dis[k]中的最小值/最大值。

用dijkstra或者spfa跑一遍图就可以了。

当年,spfa还没有死去。

AC代码

 1 #include<iostream>
 2 #include<queue>
 3 #include<cstdio>
 4 #include<cstring>
 5 using namespace std;
 6 const int maxn=100005;
 7 const int maxm=1000005;//注意有可能是双向边,所以要开两倍的数组。 
 8 int n,m,p1[maxn],p2[maxn],cnt1,cnt2,vis[maxn],dis1[maxn],dis2[maxn],ans,v[maxn];
 9 struct edge{
10     int v,next;
11 }e1[maxm],e2[maxm];            //两个图 
12 void insert1(int u,int v){    //两个insert 
13     cnt1++;
14     e1[cnt1].v=v;
15     e1[cnt1].next=p1[u];
16     p1[u]=cnt1;    
17 }
18 void insert2(int u,int v){
19     cnt2++;
20     e2[cnt2].v=v;
21     e2[cnt2].next=p2[u];
22     p2[u]=cnt2;    
23 }
24 struct node{
25     int num,len;
26 };
27 bool operator < (node a,node b){
28     return a.len>b.len;
29 } 
30 priority_queue<node> q1,q2;
31 void dijkstra1(){            //两个dijkstra 
32     memset(vis,0,sizeof(vis));
33     memset(dis1,0x3f,sizeof(dis1));
34     dis1[1]=v[1];
35     node nd;
36     nd.len=v[1];
37     nd.num=1;
38     q1.push(nd);
39     while(!q1.empty()){
40         node u=q1.top();
41         q1.pop();
42         if(vis[u.num]) continue;
43         vis[u.num]=1;
44         for(int i=p1[u.num];i!=-1;i=e1[i].next){
45             dis1[e1[i].v]=min(min(dis1[e1[i].v],u.len),v[e1[i].v]);//算是个小的dp吧 
46             node xin;
47             xin.num=e1[i].v;
48             xin.len=dis1[e1[i].v];
49             q1.push(xin);
50         }
51     }
52 }
53 void dijkstra2(){
54     memset(vis,0,sizeof(vis));
55     memset(dis2,-0x3f,sizeof(dis2));
56     dis2[n]=v[n];
57     node nd;
58     nd.len=v[n];
59     nd.num=n;
60     q2.push(nd);
61     while(!q2.empty()){
62         node u=q2.top();
63         q2.pop();
64         if(vis[u.num]) continue;
65         vis[u.num]=1;
66         for(int i=p2[u.num];i!=-1;i=e2[i].next){
67             dis2[e2[i].v]=max(max(dis2[e2[i].v],u.len),v[e2[i].v]);
68             node xin;
69             xin.num=e2[i].v;
70             xin.len=dis2[e2[i].v];
71             q2.push(xin);
72         }
73     }
74 }
75 int main(){
76     cin>>n>>m;
77     memset(p1,-1,sizeof(p1));
78     memset(p2,-1,sizeof(p2));
79     for(int i=1;i<=n;i++) cin>>v[i];
80     for(int i=1;i<=m;i++){
81         int x,y,z;
82         scanf("%d%d%d",&x,&y,&z);
83         if(z==1){
84             insert1(x,y);
85             insert2(y,x);
86         }else{
87             insert1(x,y);
88             insert1(y,x);
89             insert2(x,y);
90             insert2(y,x);
91         }
92     }
93     dijkstra1();
94     dijkstra2();
95     for(int i=1;i<=n;i++) ans=max(ans,dis2[i]-dis1[i]);//求出答案 
96     cout<<ans;
97     return 0; 
98 }

 //NOIP2009提高组t3

//好困啊,zzz

转载于:https://www.cnblogs.com/yinyuqin/p/11623837.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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