网络流24题-分配问题

分配问题

时空限制1000ms / 256MB

题目描述

有 n 件工作要分配给 n 个人做。第 i 个人做第 j 件工作产生的效益为 c[i][j]。试设计一个将 n 件工作分配给 n 个人做的分配方案,使产生的总效益最大。

输入输出格式

输入格式:

文件的第 1 行有 1 个正整数 n ,表示有 n 件工作要分配给 n 个人做。

接下来的 n 行中,每行有 n 个整数 c​​,表示第 i 个人做第 j 件工作产生的效益为 c[i][j] 。

输出格式:

两行分别输出最小总效益和最大总效益。

输入输出样例

输入样例: 
5
2 2 2 1 2
2 3 1 2 4
2 0 1 1 1
2 3 4 3 3
3 2 1 2 1
输出样例: 
5
14

说明

1n100

一个人只能做一个工作


二分图多重最优匹配。

 

感觉就是费用流,只不过知道模型容易建图了一些。
#include<bits/stdc++.h>
#define N 505
#define INF LLONG_MAX/2 
using namespace std;
typedef struct
{
    int u,v;
    long long flow,cost;
}ss;
ss edg[N*N];
vector<int>edges[N];
int now_edges=0;

void addedge(int u,int v,long long flow,long long cost)
{
    edges[u].push_back(now_edges);
    edg[now_edges++]=(ss){u,v,flow,cost};
    edges[v].push_back(now_edges);
    edg[now_edges++]=(ss){v,u,0,-cost};
}

bool spfa(int s,int t,long long &flow,long long &cost)
{
//    printf("%lld %lld\n",flow,cost);
    long long dis[N];
    for(int i=0;i<N;i++)dis[i]=INF;
    dis[s]=0;
    int vis[N]={0};
    vis[s]=1;
    queue<int>q;
    q.push(s);
    int pre[N]={0};
    long long  maxflow[N]={0};
    maxflow[s]=INF;
    
    while(!q.empty())
    {
        int now=q.front();
        q.pop();
        vis[now]=0;
        
        int Size=edges[now].size();
        for(int i=0;i<Size;i++)
        {
            ss &e=edg[edges[now][i]];
            
            if(e.flow>0&&dis[e.v]>dis[now]+e.cost)
            {
                dis[e.v]=dis[now]+e.cost;
                pre[e.v]=edges[now][i];
                maxflow[e.v]=min(maxflow[now],e.flow);
                
                if(!vis[e.v])
                {
                    q.push(e.v);
                    vis[e.v]=1;
                }
            }
        }        
    }
    
    if(dis[t]==INF)return false;
    
    flow+=maxflow[t];
    cost+=dis[t]*maxflow[t];
    
    long long now=t;
    while(now!=s)
    {
        edg[pre[now]].flow-=maxflow[t];
        edg[pre[now]^1].flow+=maxflow[t];
        now=edg[pre[now]].u;
    }
    
    
    return true;
}

void mcmf(int s,int t,long long &flow,long long &cost)
{
    while(spfa(s,t,flow,cost));
}
void init()
{
    now_edges=0;
    for(int i=0;i<N;i++)edges[i].clear();
}

int c[505][505];

int main()
{
    int n,s,t;
    scanf("%d",&n);
    s=2*n+1;
    t=2*n+2;
    for(int i=1;i<=n;i++)
    for(int j=1;j<=n;j++)
    {
        scanf("%d",&c[i][j]);
    }
    
    
    for(int i=1;i<=n;i++)
    for(int j=1;j<=n;j++)addedge(i,j+n,1,c[i][j]);
    
    for(int i=1;i<=n;i++)
    {
        addedge(s,i,1,0);
        addedge(i+n,t,1,0);
    }
    long long flow=0,cost=0;
    mcmf(s,t,flow,cost);
    printf("%lld\n",cost);
    
    init();
    
    for(int i=1;i<=n;i++)
    for(int j=1;j<=n;j++)addedge(i,j+n,1,-c[i][j]);
    
    for(int i=1;i<=n;i++)
    {
        addedge(s,i,1,0);
        addedge(i+n,t,1,0);
    }
    flow=0;
    cost=0;
    mcmf(s,t,flow,cost);
    printf("%lld\n",-cost);
    return 0;
}
View Code

 

转载于:https://www.cnblogs.com/tian-luo/p/9536140.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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