NOI2006 最大获利

题目链接:戳我

把用户和中转站分成两类,就是一个二分图了。注意到我们选择了一个用户群,就必须要选择对应的中转站来付出代价。

这不就是一个最大权闭合子图嘛

直接上最小割即可

代码如下:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#include<queue>
#define S 0
#define T n+m+1
#define MAXN 300010
#define INF 0x3f3f3f3f
using namespace std;
int n,m,t=1,all;
int head[MAXN<<1],dis[MAXN],cur[MAXN<<1];
struct Edge{int nxt,to,dis;}edge[MAXN<<1];
inline void add(int from,int to,int dis)
{
    edge[++t].nxt=head[from],edge[t].to=to,edge[t].dis=dis,head[from]=t;
    edge[++t].nxt=head[to],edge[t].to=from,edge[t].dis=0,head[to]=t;
}
inline bool bfs()
{
    queue<int>q;
    q.push(S);
    memset(dis,0x3f,sizeof(dis));
    memcpy(cur,head,sizeof(head));
    dis[S]=0;
    while(!q.empty())
    {
        int u=q.front();q.pop();
        for(int i=head[u];i;i=edge[i].nxt)
        {
            int v=edge[i].to;
            if(edge[i].dis&&dis[v]==0x3f3f3f3f)
            {
                dis[v]=dis[u]+1;
                q.push(v);
            }
        }
    }
    if(dis[T]==0x3f3f3f3f) return false;
    return true;
}
inline int dfs(int x,int f)
{
    if(x==T||!f) return f;
    int used=0,w;
    for(int i=cur[x];i;i=edge[i].nxt)
    {
        int v=edge[i].to;
        cur[x]=i;
        if(dis[v]==dis[x]+1&&(w=dfs(v,min(edge[i].dis,f))))
        {
            edge[i].dis-=w,edge[i^1].dis+=w;
            f-=w,used+=w;
            if(!f) break;
        }
    }
    return used;
}
inline int dinic()
{
    int cur_ans=0;
    while(bfs()) cur_ans+=dfs(S,INF);
    return cur_ans;
}
int main()
{
    #ifndef ONLINE_JUDGE
    freopen("ce.in","r",stdin);
    #endif
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++)
    {
        int cur;
        scanf("%d",&cur);
        add(m+i,T,cur);//printf("[%d,%d] %d\n",n+i,T,cur);
    }
    for(int i=1;i<=m;i++)
    {
        int a,b,c;
        scanf("%d%d%d",&a,&b,&c);
        all+=c;
        add(S,i,c);//printf("[%d,%d] %d\n",S,i,c);
        add(i,a+m,INF);//printf("[%d,%d] %d\n",i,a+n,INF);
        add(i,b+m,INF);//printf("[%d,%d] %d\n",i,b+n,INF);
    }
    int cost=dinic();
    // printf("all=%d cost=%d\n",all,cost);
    printf("%d\n",all-cost);
    return 0;
}  

转载于:https://www.cnblogs.com/fengxunling/p/10763379.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
NOI2006是指2006年的全国信息学奥林匹克竞赛。"聪明的导游"是一道在比赛中出现的题目,需要我们编写程序进行求解和数据分析。 首先,我们需要从官方网站或相关渠道下载与“聪明的导游”题目相关的数据。这些数据可能包括景点的名称、编号、导游线路的长度、舒适度,以及可能的限制条件和特殊要求等。 接下来,我们可以使用编程语言(如C++、Python等)来编写一个程序,对这些数据进行处理和分析。这个问题可以被抽象为一个图论问题,其中景点可以表示为图中的节点,导游线路可以表示为图中的边。 我们可以使用图的遍历算法(如深度优先搜索或广度优先搜索)来寻找最佳的导游线路。我们可以用一个数组和一个矩阵来表示该导游线路,其中数组存储已经访问过的景点,矩阵表示两个不同景点之间的距离。 在程序中,我们可以使用适当的数据结构来存储和处理这些数据,例如数组、图、队列等。我们可以使用动态规划等算法来优化计算效率,从而找到最优的导游线路。 最后,我们可以根据程序的运行结果分析和展示最佳导游线路的路径和特点。我们可以输出导游线路的长度、各个景点的编号和名称,以及其舒适度等信息。 总之,要下载NOI2006比赛中的“聪明的导游”题目数据,我们需要从官方渠道获取相关数据,编写一个程序来处理和分析这些数据,最终找到最佳导游线路的解决方案。通过合理的算法设计和数据结构选择,我们可以有效地解决这个问题。
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