POJ 2942 Knights of the Round Table

POJ_2942

说实话,这个题目对我来讲获益匪浅。

一开始看了题目之后就没什么想法(而且后来在学习别人的代码时发现自己对题意的理解也有偏差),后来便去看别人的报告和代码,结果云里雾里,什么双连通、点双连通、边双连通、奇圈等等连概念甚至都不了解,一度令我很郁闷,但后来慢慢在纠结中一点点地学习着概念和算法。

图论概念不懂便去查概念,概念差不多了之后便找了份通俗点的代码开始看,光有代码看不懂便又找了好几份解题报告综合起来一起看,后来发现要用tarjan算法,便又去查阅相关tarjan算法的资料,后来始终想不通点双连通分量求法中的dfs函数的运行原理,便又把别人代码这一块切下来,自己改参数、输出结果、画图这么一点点地去理解。

最后终于把求点双连通分量的代码啃了下来,又去琢磨这个题目需要的判断奇圈的辅助算法,也就在这个时候明白了我一开始对题目的理解有偏差,实际上骑士每一次可以不必都去参加会议,只要有一部分人也就可以了,而在一个点双连通分量中,如果存在一个奇圈,那么这个点双连通分量上的所有点,都会以某些点一组的形式分布在一个奇圈上,而且每个点都会至少被包含在一个奇圈里面,这时我也便弄明白了为什么别人的报告中说最后去判断双连通分量中有无奇圈即可。

后来发现看的那份代码在判断奇圈那会有较多的无用的判断,于是便又自己按另一个思路写了一个判断奇圈的函数(思想是相同的,都是着色,但是实现的时候有所差别)。

看着自己亲手写的求点双连通分量的tarjan算法的代码有种说不出的感情哈,毕竟啃这个题目确实花了不少心血,接下来还要继续去研究强连通分量和边双连通分量的tarjan算法的代码。

说一点点对点双连通分量求法的一点感悟吧:

①在dfs的过程中,else if(low[u]>dfn[v]) low[u]=dfn[v]类似于递归的边界判断似的,因为这个语句中不再包含dfs函数,并且当v在栈中时就相当于dfs到头了,这时更新一下low[u],可能会获得一个更小值(这个值最小是割点的dfn值),如果获得了一个更小值,便相当于为前面递归的low值提供了更新的可能,因而确保非割点的low值是割点的dfn值,这样就会使只有极大点双连通子图的点才会出栈。

②在dfs过程中的出栈操作不能放在else if(low[u]>dfn[v]) low[u]=dfn[v]之后。

③由于不同的点双连通分量可以包含同一个点,因而在出栈操作时,要让割点出栈,但是是以复制数据的方式出栈,实际栈里面要留有这个割点。

     题目最后,由于不同的点双连通分量可以包含同一个点,那么在判断到底有多少个骑士可以留下来的时候,不能单纯的累加存在奇圈的点双连通分量的点的数量,这样有可能会使结果偏大。

这次啃题的经历让我领悟到:只要自己有耐心,不放弃,就没有自己学不会的知识,也没有自己啃不下的题目!

#include<stdio.h>
#include
<string.h>
int G[1010][1010],ans[1010][1010],count[1010],color[1010];
int s[1010],dfn[1010],low[1010],ok[1010],top,n,num,time,res,k;
int paint(int u,int i,int mark)
{
int j;
for(j=0;j<count[k];j++)
if(G[ans[k][i]][ans[k][j]]&&j!=u)
{
if(!color[j])
{
color[j]
=3-mark;
if(paint(i,j,3-mark))
return 1;
}
else if(color[i]==color[j])
return 1;
}
return 0;
}
void tarjan(int u)
{
int i,v;
dfn[u]
=low[u]=++time;
s[top
++]=u;
for(v=0;v<n;v++)
if(G[u][v])
{
if(!dfn[v])
{
tarjan(v);
if(low[v]<low[u])
low[u]
=low[v];
if(low[v]==dfn[u])
{
ans[num][
0]=u;
for(i=1,s[top]=-1;s[top]!=v;i++)
ans[num][i]
=s[--top];
if(i>2)
{
count[num]
=i;
num
++;
}
}
}
else if(low[u]>dfn[v])
low[u]
=dfn[v];
}
}
int main()
{
int i,j,a,b,m;
while(1)
{
scanf(
"%d%d",&n,&m);
if(n==0)
break;
for(i=0;i<n;i++)
for(j=0;j<n;j++)
G[i][j]
=1;
for(i=0;i<n;i++)
G[i][i]
=0;
for(i=0;i<m;i++)
{
scanf(
"%d%d",&a,&b);
a
--;
b
--;
G[a][b]
=0;
G[b][a]
=0;
}
for(i=0;i<n;i++)
for(j=0;j<n;j++)
ans[i][j]
=-1;
for(i=0;i<n;i++)
dfn[i]
=0;
num
=top=time=0;
for(i=0;i<n;i++)
if(!dfn[i])
tarjan(i);
for(i=0;i<n;i++)
ok[i]
=0;
for(k=0;k<num;k++)
{
for(i=1;i<count[k];i++)
color[i]
=0;
color[
0]=1;
if(paint(-1,0,1))
for(i=0;i<count[k];i++)
ok[ans[k][i]]
=1;
}
res
=0;
for(i=0;i<n;i++)
if(!ok[i])
res
++;
printf(
"%d\n",res);
}
return 0;
}

  

转载于:https://www.cnblogs.com/staginner/archive/2011/08/09/2132753.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