HDU 6214 Smallest Minimum Cut

HDU 6214

题目大意

给定一个网络图,求这个网络流最小割的所有情况中割去边数最少的边数

思路

首先,给一个网络图的所有边边权乘以个正数的值,最大流不变。因为并不影响偏序关系。

接着,当网络图所有边边权足够大的时候,给每个边权加上一个足够小的值,最小割割去的边一定是满足最小割时边数最少的。
因为最小割不会因为加上某权值而改变割的情况,但是会选择割数最小的。

知道这些我们就可以设计出一个构图方法。将所有边边权乘以一个极大的数\(SEED\)然后加\(1\),最后结果对\(SEED\)取模即可。

代码

#include <bits/stdc++.h>

using namespace std;

typedef long long ll;

const int MAXN = 200 + 10;
const int MAXNODE = 200 + 10;
const int MAXEDGE = 1000 + 10;
const ll INF = 0x3f3f3f3f3f3f3f3fll;

struct MaxFlow {
    struct Edge {
        int v, n;
        ll f;
    } e[MAXEDGE << 1];
    int G[MAXNODE], edgeCnt;
    void _add(int u, int v, ll f)
    {
        e[++edgeCnt].n = G[u];
        G[u] = edgeCnt;
        e[edgeCnt].f = f;
        e[edgeCnt].v = v;
    }
    void add(int u, int v, ll f)
    {
        _add(u, v, f), _add(v, u, 0);
    }
    int dep[MAXNODE];
    int cur[MAXNODE];
    int S, T;
    bool bfs()
    {
        memset(dep, -1, sizeof(dep));
        queue<int> que;
        que.push(S);
        dep[S] = 0;
        while (!que.empty()) {
            int u = que.front();
            que.pop();
            cur[u] = G[u];
            for (int i = G[u]; i; i = e[i].n)
                if (e[i].f > 0 && dep[e[i].v] == -1) {
                    dep[e[i].v] = dep[u] + 1;
                    que.push(e[i].v);
                }
        }
        return dep[T] != -1;
    }
    int dfs(int u, ll a=INF)
    {
        if (u == T || a == 0)
            return a;
        ll flow = 0;
        for (int& i = cur[u]; i; i = e[i].n)
            if (dep[e[i].v] == dep[u] + 1) {
                ll f = dfs(e[i].v, min(a, e[i].f));
                flow += f;
                a -= f;
                e[i].f -= f;
                e[i ^ 1].f += f;
                if (a <= 0)
                    break;
            }
        return flow;
    }
    ll dinic()
    {
        ll flow = 0;
        while (bfs())
            flow += dfs(S);
        return flow;
    }
    void init(int s, int t)
    {
        S = s, T = t;
        edgeCnt = 1;
        memset(G, 0, sizeof(G));
    }
} flow;

int main()
{
    const int SEED = 1071;
    ios::sync_with_stdio(0);
    int T;
    cin >> T;
    while (T--) {
        int n, m, S, T;
        cin >> n >> m;
        cin >> S >> T;
        flow.init(S, T);
        for (int i = 1; i <= m; ++i) {
            int u, v, f;
            cin >> u >> v >> f;
            flow.add(u, v, f * SEED + 1);
        }
        cout << flow.dinic() % SEED << endl;
    }
}

转载于:https://www.cnblogs.com/erro/p/9064788.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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