P1084 疫情控制

Solution

二分答案, 尽量往上跳, 不能跳到根节点.
仍然能跳的拿出来.看剩下的点没有覆盖哪个?
贪心的分配一下.

Code

70

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
#include<cmath>
using namespace std;
const int N = 50005;

int n, m;

struct Edge {
    int v, c; Edge* nxt;
    Edge(int _, int __, Edge* ___) :
            v(_), c(__), nxt(___) {}
} *head[N];
void AddEdge(int u, int v, int c) {
    head[u] = new Edge(v, c, head[u]);
    head[v] = new Edge(u, c, head[v]);
}

int f[N][18], p[N]; long long dis[N][18];

void dfs(int u, int fa, long long distan) {
    f[u][0] = fa, dis[u][0] = distan;
    for (int i = 1; i <= 17; i += 1) {
        f[u][i] = f[f[u][i - 1]][i - 1];
        dis[u][i] = dis[u][i - 1] + dis[f[u][i - 1]][i - 1];
    }
    for (auto edge = head[u]; edge; edge = edge->nxt) {
        if (edge->v != fa) 
            dfs(edge->v, u, edge->c);
    }
}
struct node {
    node() {} 
    long long rest; int id;
    node(int _id, int _r) :
        id(_id), rest(_r) {}
    bool operator < (const node& o) const {
        return rest < o.rest;
    }
} a[N], b[N];

int vis[N], used[N], R[N]; 
long long Min[N];
int A, B;

int Dfs(int u, int fa) {
    int f1 = true, noleaf = false;
    if (vis[u]) return true;
    for (auto edge = head[u]; edge; edge = edge->nxt) {
        if (edge->v == fa) continue;
        noleaf = true;
        if (not Dfs(edge->v, u)) {
            f1 = 0;
            if (u == 1)
                b[B++] = node(edge->v, edge->c);
            else return false;
        }
    }
    if (not noleaf) return false;
    return f1;
}

int check(long long lim) {
    int u, now; 
    long long num; 
    A = B = 0;
    for (int i = 1; i <= n; i += 1) vis[i] = 0;
    for (int i = 1; i <= n; i += 1) R[i] = 0;
    for (int i = 1; i <= m; i += 1) used[i] = 0;
    for (int i = 1; i <= m; i += 1) {
        u = p[i], num = 0;
        for (int j = 17; ~j; j -= 1)
            if (f[u][j] > 1 and num + dis[u][j] <= lim)
                num += dis[u][j], u = f[u][j];
        if (f[u][0] == 1 and num + dis[u][0] <= lim) {
            a[A++] = node(i, lim - num - dis[u][0]);
            if (not R[u] or a[A].rest < Min[u])
                Min[u] = a[A].rest, R[u] = i;
        } else vis[u] = 1;
    }
    if (Dfs(1, 0)) return true;
    sort(a, a + A);
    sort(b, b + B);
    now = 0, used[0] = 1;
    for (int i = 0; i < B; i += 1) {
        if (!used[R[b[i].id]]) {
            used[R[b[i].id]] = 1; continue;
        }
        while (now < A and (used[a[now].id] or a[now].rest < b[i].rest)) now += 1;
        if (now >= A) return false;
        used[a[now].id] = true;
    }
    return 1;
}

int main() {
    scanf("%d", &n);
    for (int i = 1, u, v, c; i < n; i += 1) {
        scanf("%d%d%d", &u, &v, &c);
        AddEdge(u, v, c);
    }
    dfs(1, 0, 0); 
    scanf("%d", &m);
    int l = 0, r = 5e5, mid;
    for (int i = 1; i <= m; i += 1) scanf("%d", &p[i]);
    while (l <= r) {
        mid = l + r >> 1;
        if (check(mid)) r = mid - 1;
        else l = mid + 1;
    }
    printf("%d\n", l);
    return 0;
}

转载于:https://www.cnblogs.com/qdscwyy/p/9885094.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