NOI 2011 道路修建

NOI 2011 道路修建

题目描述

在 W 星球上有 n 个国家。为了各自国家的经济发展,他们决定在各个国家 之间建设双向道路使得国家之间连通。但是每个国家的国王都很吝啬,他们只愿 意修建恰好 n – 1 条双向道路。 每条道路的修建都要付出一定的费用,这个费用等于道路长度乘以道路两端 的国家个数之差的绝对值。例如,在下图中,虚线所示道路两端分别有 2 个、4 个国家,如果该道路长度为 1,则费用为 1×|2 – 4|=2。图中圆圈里的数字表示国 家的编号。 

由于国家的数量十分庞大,道路的建造方案有很多种,同时每种方案的修建 费用难以用人工计算,国王们决定找人设计一个软件,对于给定的建造方案,计 算出所需要的费用。请你帮助国王们设计一个这样的软件。

输入输出格式

输入格式:

 

输入的第一行包含一个整数 n,表示 W 星球上的国家的数量,国家从 1 到 n 编号。 接下来 n – 1 行描述道路建设情况,其中第 i 行包含三个整数 ai、bi和 ci,表 示第 i 条双向道路修建在 ai与 bi两个国家之间,长度为 ci。

 

输出格式:

 

输出一个整数,表示修建所有道路所需要的总费用。

 

输入输出样例

输入样例#1: 
6
1 2 1
1 3 1
1 4 2
6 3 1
5 2 1
输出样例#1: 
20

说明

1≤ai, bi≤n

0≤ci≤10^6

2≤n≤10^6

 

先说一下暴力解法,既然给出了每一条边,那么我们可以每一次处理两个点的时候,当做这两个点之间的边不存在,那样的话就相当于将这个图分成了两部分,然后判断一下,某一部分的点的数量,化简一下计算代价的式子可以得出:代价=|总点数-2*某一边的点数|。

这题有一个:答案需要用long long类型

#include <algorithm>
#include <iostream>
#include <cstring>
#include <cstdio>
#include <vector>
#include <cmath>
#include <queue>
#include <map>
using namespace std;
#define N int(1e6+2)
#define mod 998244353
#define LL long long
LL a[N],n,T,l,r,ans;
LL x[N],y[N],z[N];
struct ahah{
    int nxt,to;
    LL dis;
}edge[N];
int head[N],tot;
void add(int x,int y,int z)
{
    edge[++tot].nxt=head[x],edge[tot].to=y,edge[tot].dis=z,head[x]=tot;
}
bool vis[N];
int dfs(int x,int sum)
{
    queue<int> que;
    que.push(x); 
    while(!que.empty())
    {
        int temp=que.front();
        que.pop(),sum++,vis[temp]=1;
        for(int i=head[temp];i;i=edge[i].nxt)
        {
            if(temp==l&&edge[i].to==r)continue;
            if(!vis[edge[i].to])que.push(edge[i].to);
        }
        
    }
    return sum;
}
int main()
{
    scanf("%d",&n);
    for(int i=1;i<n;i++)scanf("%lld%lld%lld",&x[i],&y[i],&z[i]),add(x[i],y[i],z[i]),add(y[i],x[i],z[i]);
    for(int i=1;i<=n;i++)
    {
        l=x[i],r=y[i];
        ans+=abs(n-2*dfs(x[i],0))*z[i];
        for(int i=1;i<=n;i++)vis[i]=0;
    }
    printf("%lld",ans);
}

 

正解:题目中说到n个点n-1条边那么自然想到这是一棵树咯,一颗无根树,我们可以给它随意定义一个根,这里定义1号为根,然后判断每个节点的子树有多少个节点(也就是说将这个点和它的父节点切断后某一侧会有多少个节点,仔细想想,是吧)。

然后通过dfs来计算每一条边的消耗代价。

#include <algorithm>
#include <iostream>
#include <cstring>
#include <cstdio>
#include <vector>
#include <cmath>
#include <queue>
#include <map>
using namespace std;
#define N int(2e6+2)
#define mod 998244353
#define LL long long
LL a[N],n,T,l,r,ans;
LL x[N],y[N],z[N],siz[N];
struct ahah{
    int nxt,to;
    LL dis;
}edge[N];
int head[N],tot;
void add(int x,int y,int z)
{
    edge[++tot].nxt=head[x],edge[tot].to=y,edge[tot].dis=z,head[x]=tot;
}
bool vis[N];
int dfs(int s,int fa)
{
    vis[s]=1;
    for(int i=head[s];i;i=edge[i].nxt)
    {
        if(edge[i].to!=fa)    //不能再次向父节点连边避免重复计算。
        {
            ans+=abs(siz[1]-2*siz[edge[i].to])*edge[i].dis;        
            dfs(edge[i].to,s);
        }
    }
}
void prepare(int u,int list)
{
    for(int i=head[u];i;i=edge[i].nxt)
        if(edge[i].to!=list)     //先计算子节点含节点数目,再加上就好了。 
            prepare(edge[i].to,u),siz[u]+=siz[edge[i].to];
}
int read()
{
    int sum=0,fg=1; char c=getchar();
    while(c<'0'||c>'9'){if(c=='-')fg=-1;c=getchar();}
    while(c>='0'&&c<='9'){sum=sum*10+c-'0';c=getchar();}
    return sum*fg;
}
int main()
{
    scanf("%d",&n);
    for(int i=1;i<n;i++)
    {
        siz[i]=1;        //初始时每个节点只含有自己1个 
        x[i]=read();y[i]=read();z[i]=read();
        add(x[i],y[i],z[i]),add(y[i],x[i],z[i]);
    }
    siz[n]=1;
    prepare(1,1);
    for(int i=1;i<=n;i++)
        if(!vis[i])dfs(i,i);    //判断是否重复。 
    printf("%lld",ans);
}

 

转载于:https://www.cnblogs.com/rmy020718/p/9416193.html

  • 0
    点赞
  • 1
    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