POJ2125 Destroying The Graph

题目链接:ヾ(≧∇≦*)ゝ

大致题意:

给出一个有向图D=(V,E).对于每个点U,定义两种操作a(u),b(u)

操作a(u):删除点U的所有出边,即属于E,操作花费为Ca(u).

操作b(u):删除点U的所有入边,即属于E,操作花费为Cb(u).

求将原图的边集的边全部删除的最小代价,总操作数和具体操作

Solution:

第一问很简单,首先,对于每一个点,把它分成出点和入点。

把每个点的出点与S相连,入点与T相连。边容量分别为删除该点所有入边和出边的花费。

然后对于每条边 a -> b,就把a的出点与b的入点连一条容量为inf的边。

根据最大流=最小割,跑一遍dinic就能得到答案了。

对于第二、三问,我们分别统计a操作和b操作。

我们先对剩余网络进行bfs(),把能够扫到的点都标记为1,不能的标记为0。

对于一个点u,如果要使用a(u),那么显然,需要至少存在一个点v,满足u -> v &&
vis[u]==vis[v]==0。

而对于点u,如果要使用b(u),只需要满足vis[u]==1就行了。

为了防止重复输出,在定义一个apr数组记录每个数是否加入到答案中就行了。

详见代码

Code:

#include<queue>
#include<ctype.h>
#include<cstdio>
#include<cstring>
#include<algorithm>
#define N 1001
#define M 20001
#define inf 1926081700
using namespace std;
int S,T,head[N];
int n,m,cnt=1;
int ru[N],cu[N];
int ans,vis[N],apr[N];
int t1,t2,fst[N],sec[N];
struct Edge{int nxt,to,val;}edge[M];
void ins(int x,int y,int z){
    edge[++cnt].nxt=head[x];
    edge[cnt].to=y;edge[cnt].val=z;
    head[x]=cnt;
}
namespace Network_Flow{
    queue<int> q;
    int dep[N];
    int bfs(){
        memset(dep,0,sizeof(dep));
        q.push(S);dep[S]=1;
        while(!q.empty()){
            int x=q.front();q.pop();
            for(int i=head[x];i;i=edge[i].nxt){
                int y=edge[i].to,v=edge[i].val;
                if(!dep[y]&&v){
                    q.push(y);
                    dep[y]=dep[x]+1;
                }
            }
        }
        return dep[T];
    }
    int dfs(int x,int rest){
        if(x==T||rest<=0) return rest;
        int flow=0;
        for(int i=head[x];i;i=edge[i].nxt){
            int y=edge[i].to,v=edge[i].val;
            if(dep[y]==dep[x]+1&&v){
                int now=dfs(y,min(rest,v));
                edge[i].val-=now;
                edge[i^1].val+=now;
                flow+=now;rest-=now;
            if(!rest) break;
            }
        }
        return flow;
    }
    int dinic(){
        int maxflow=0;
        while(bfs()) maxflow+=dfs(S,inf);
        return maxflow;
    }
}
void getspj(){
    queue<int> s;
    s.push(S);vis[S]=1;
    while(!s.empty()){
        int x=s.front();s.pop();
        for(int i=head[x];i;i=edge[i].nxt)
        if(!vis[edge[i].to]&&edge[i].val){
            s.push(edge[i].to);
            vis[edge[i].to]=1;
        }
    }
    apr[S]=apr[T]=1;
}
int read(){
    int x=0,f=1;char ch=getchar();
    while(!isdigit(ch)){if(ch=='-')f=-f;ch=getchar();}
    while(isdigit(ch)){x=x*10+ch-48;ch=getchar();}
    return x*f;
}
int main(){
    n=read(),m=read();
    S=n*2+1,T=S+1;
    for(int i=1;i<=n;i++) ru[i]=read();
    for(int i=1;i<=n;i++) cu[i]=read();
    for(int i=1;i<=n;i++){
        ins(S,i,cu[i]);ins(i,S,0);
        ins(i+n,T,ru[i]);ins(T,i+n,0);
    }
    for(int x,y,i=1;i<=m;i++){
        x=read(),y=read();
        ins(x,n+y,inf);
        ins(n+y,x,0);
    }
    using namespace Network_Flow;
    printf("%d\n",dinic());getspj();
    for(int i=1;i<=n;i++)
        for(int j=head[i];j;j=edge[j].nxt){
            int y=edge[j].to;
            if(!vis[i]&&!vis[y]&&!apr[i]){
                sec[++t2]=i;
                ans++;apr[i]=1;
            }
            if(!apr[y]&&vis[y]){
                fst[++t1]=y%n;
                if(!fst[t1]) fst[t1]=n;
                ans++;apr[y]=1;
            }
        }
    printf("%d\n",ans);
    for(int i=1;i<=t1;i++) printf("%d +\n",fst[i]);
    for(int i=1;i<=t2;i++) printf("%d -\n",sec[i]);
    return 0;
}

转载于:https://www.cnblogs.com/NLDQY/p/10366226.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