POJ 1797 Heavy Transportation(Dijkstra)

http://poj.org/problem?id=1797

题意 :给出N个城市M条边,每条边都有容量值,求一条运输路线使城市1到N的运输量最大。

思路 :用dijkstra对松弛条件进行变形。解释一下样例吧:从1运到3有两种方案
方案1:1-2-3,其中1-2承重为3,2-3承重为5,则可以运送货物的最大重量是3(当大于3时明显1到不了2)
方案2:1-3,可知1-3承重为4,故此路可运送货物的最大重量是4,故答案输出4

#include <iostream>
#include <stdio.h>
#include <string.h>

using namespace std;

int a[1005][1005],n,m,dp[1005] ;
bool map[1005] ;
void dijk(int t)
{
    memset(map,0,sizeof(map[0])*(n+3)) ;
    for(int i = 1 ; i <= n ; i++)
    {
        dp[i] = a[t][i] ;
    }
    dp[t] = 1000000 ;
    map[t] = true ;
    for(int i = 1 ; i < n ; i++)
    {
        int k = t ,temp = 0 ;
        for(int j = 1 ; j <= n ; j++)
        {
            if(map[j]) continue ;
            if(temp <= dp[j])
            {
                temp = dp[k = j] ;
            }
        }

        map[k] = true ;
        if(map[n]) return ;
        for(int j = 1 ; j <= n ; j++)
        {
            if(map[j])
                continue ;
            dp[j] = max(dp[j],min(dp[k],a[k][j])) ;
        }
    }
}
int main()
{
    int T ,c = 1 ;
    scanf("%d",&T) ;
    while(T--)
    {
        scanf("%d %d",&n,&m) ;
        for(int i = 1 ; i <= n ; i++)
        {
            memset(a[i],0,sizeof(a[i][0])*(n+3)) ;
        }
        for(int i = 0 ; i < m ; i++)
        {
            int u,v,w ;
            scanf("%d %d %d",&u,&v,&w) ;
            a[u][v] = a[v][u] = max(a[u][v],w) ;
        }
        dijk(1) ;
        printf("Scenario #%d:\n",c++) ;
        printf("%d\n\n",dp[n]) ;
    }
    return 0;
}
View Code

 

转载于:https://www.cnblogs.com/luyingfeng/p/3458428.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
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