uvalive 3126 Taxi Cab Scheme

题意:

有m个人要坐出租车,每个人给出出发时间,出发地点和目的地(以二维坐标表示),两个地点之间所花的时间计算方式是两点之间的哈密顿距离。现在需要排遣车出去,一辆车每次只能装一个人,如果一辆车在装完一个人A之后,再到达另一个人B的出发地点的时间,比这个人的出发时间至少提前1分钟,那么这个车就可以乘坐B。

问排遣的最少的车的数目。

思路:

直观的来看,每一辆车的路径是一个DAG,那么这个问题就转化成了DAG的最小路径覆盖。

最小路径覆盖的定义:在一个有向图中,找出最少的路径,使得途中的所有点都被覆盖,此题所求的最小路径覆盖是不相交的最小路径覆盖

最小路径覆盖的算法是把每个点拆成起点i和终点i’,如果有一条边从i到j,那么就从i向j’连边,此时这个图就成为了一个二分图。

二分图的最小路径覆盖= 点数 – 二分图的最大匹配

然后此题就是两点之间连边的问题,时间可以换算成分钟数表示比较方便,然后当一个点的结束时间加上 结束点到另一个点的行驶时间,如果这个时间小于另一个点的出发时间,那么这两点之间就可以连边。

匈牙利算法,复杂度O(n^2)。

代码:

  1 #include <stdio.h>
  2 #include <string.h>
  3 #include <vector>
  4 using namespace std;
  5 
  6 const int N = 1005;
  7 typedef pair<int,int> pii;
  8 
  9 struct node
 10 {
 11     int st,en;
 12     
 13     node(int a,int b)
 14     {
 15         st = a;
 16         en = b;
 17     }
 18 };
 19 
 20 vector<pii> ps;
 21 vector<node> ns;
 22 vector<int> g[N];
 23 bool vis[N];
 24 int link[N];
 25 
 26 int mabs(int x)
 27 {
 28     return x >= 0 ? x : -x;
 29 }
 30 
 31 bool dfs(int u)
 32 {
 33     for (int i = 0;i < g[u].size();i++)
 34     {
 35         int v = g[u][i];
 36         
 37         if (!vis[v])
 38         {
 39             vis[v] = 1;
 40             
 41             if (link[v] == -1 || dfs(link[v]))
 42             {
 43                 link[v] = u;
 44                 link[u] = v;
 45                 
 46                 return true;
 47             }
 48         }
 49     }
 50     
 51     return false;
 52 }
 53 
 54 int solve(int n)
 55 {
 56     memset(link,-1,sizeof(link));
 57     
 58     int res = 0;
 59     
 60     for (int i = 0;i < n;i++)
 61     {
 62         if (link[i] == -1)
 63         {
 64             memset(vis,0,sizeof(vis));
 65             if (dfs(i)) res++;
 66         }
 67     }
 68     
 69     return res;
 70 }
 71 
 72 int main()
 73 {
 74     int t;
 75     
 76     scanf("%d",&t);
 77     
 78     while (t--)
 79     {
 80         int n;
 81         
 82         scanf("%d",&n);
 83         
 84         ns.clear();
 85         ps.clear();
 86         
 87         for (int i = 0;i < n;i++)
 88         {
 89             g[i].clear();
 90         }
 91         
 92         for (int i = 0;i < n;i++)
 93         {
 94             int a,b;
 95             int x,y,z,w;
 96             
 97             scanf("%d:%d",&a,&b);
 98             scanf("%d%d%d%d",&x,&y,&z,&w);
 99             
100             int st = a * 60 + b;
101             int en = st + mabs(x - z) + mabs(y - w);
102             
103             ns.push_back(node(st,en));
104             ps.push_back(pii(x,y));
105             ps.push_back(pii(z,w));
106         }
107         
108         for (int i = 0;i < n;i++)
109         {
110             for (int j = i + 1;j < n;j++)
111             {
112                 pii st = ps[2*i + 1],en = ps[2*j];
113                 
114                 int cost = mabs(st.first - en.first) + mabs(st.second - en.second);
115                 
116                 if (ns[i].en + cost < ns[j].st) g[i].push_back(n+j);
117             }
118         }
119         
120         int ans = solve(n);
121         
122         printf("%d\n",n - ans);
123     }
124     
125     return 0;
126 }

 

转载于:https://www.cnblogs.com/kickit/p/8809070.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 目前主流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,其主要流程如下: 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