luogu3386 【模板】 二分图匹配

基本概念:二分图有两种节点:X节点和Y节点。如果X和Y可以匹配, 则X与Y连着一条边。每个X节点最多只能匹配一个Y节点,同时每个Y节点最多只能匹配一个X节点。最大匹配便是最多的匹配数。

交错路径:交错路径中的边分为重边和轻边。每个每两个相邻的边的种类是不同的。对于两端的边都为轻边的一条交错路径,此时如果把轻边变成重边,重边变成轻边(以后此操作简称翻转),路径上重边的数量便会多一个。

在二分图最大匹配中,一个X一个X地,看看以下通过Dfs实现的操作能否成功:把当前X节点当作起点,图中已经匹配的边为潜在的重边,去寻找一个未匹配过的Y节点。如果操作成功,将找到的交错路径一翻转,匹配的数量就多了一个。最后输出总匹配的数量即可。

注意:Dfs的Vis标记在Y里,而不在X里。

#include <cstdio>
#include <cstring>
using namespace std;

const int MAX_XNODE = 1010, MAX_YNODE = 1010, MAX_EDGE = MAX_XNODE*MAX_YNODE;
#define LOOP(i, n) for(int i=1; i<=n; i++)

struct Hungary
{
private:
	struct Xnode;
	struct Ynode;
	struct Edge;

	struct Xnode
	{
		Edge *Head;
	}_xNodes[MAX_XNODE];
	int _xCnt;

	struct Ynode
	{
		Xnode *Match;
		bool Vis;
	}_yNodes[MAX_YNODE];
	int _yCnt;

	struct Edge
	{
		Xnode *X;
		Ynode *Y;
		Edge *Next;
	}*_edges[MAX_EDGE];
	int _eCnt;

	Edge *NewEdge()
	{
		return _edges[++_eCnt] = new Edge();
	}

	bool Dfs(Xnode *x)
	{
		for (Edge *e = x->Head; e; e = e->Next)
		{
			if (!e->Y->Vis)
			{
				e->Y->Vis = true;
				if (!e->Y->Match || Dfs(e->Y->Match))
				{
					e->Y->Match = x;
					return true;
				}
			}
		}
		return false;
	}

public:
	Hungary(){}

	Hungary(int xCnt, int yCnt) :_xCnt(xCnt), _yCnt(yCnt), _eCnt(0)
	{
		memset(_xNodes, 0, sizeof(_xNodes));
		memset(_yNodes, 0, sizeof(_yNodes));
		memset(_edges, 0, sizeof(_edges));
	}

	void AddEdge(int xId, int yId)
	{
		Xnode *x = _xNodes + xId;
		Ynode *y = _yNodes + yId;
		Edge *e = NewEdge();
		e->X = x;
		e->Y = y;
		e->Next = x->Head;
		x->Head = e;
	}

	int GetMatchCnt()
	{
		int ans = 0;
		LOOP(xId, _xCnt)
		{
			LOOP(yId, _yCnt)
				_yNodes[yId].Vis = false;
			ans += Dfs(_xNodes + xId);
		}
		return ans;
	}
};

int main()
{
#ifdef _DEBUG
	freopen("c:\\noi\\source\\input.txt", "r", stdin);
#endif
	int totX, totY, totE, xId, yId;
	scanf("%d%d%d", &totX, &totY, &totE);
	static Hungary g(totX, totY);
	while (totE--)
	{
		scanf("%d%d", &xId, &yId);
		if (xId > totX || yId > totY)
			continue;
		g.AddEdge(xId, yId);
	}
	printf("%d\n", g.GetMatchCnt());
	return 0;
}

  

转载于:https://www.cnblogs.com/headboy2002/p/8661079.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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