【codevs 1173】最优贸易 (2009年NOIP全国联赛提高组) (SPFA)

1173 最优贸易2009年NOIP全国联赛提高组

               时间限制: 1 s   空间限制: 128000 KB 题目等级 : 钻石 Diamond

【问题描述】
  C国有n 个大城市和m 条道路,每条道路连接这n 个城市中的某两个城市。任意两个城市之间最多只有一条道路直接相连。这m 条道路中有一部分为单向通行的道路,一部分为双向通行的道路,双向通行的道路在统计条数时也计为1 条。
  C国幅员辽阔,各地的资源分布情况各不相同,这就导致了同一种商品在不同城市的价格不一定相同。但是,同一种商品在同一个城市的买入价和卖出价始终是相同的。
  商人阿龙来到C国旅游。当他得知同一种商品在不同城市的价格可能会不同这一信息之后,便决定在旅游的同时,利用商品在不同城市中的差价赚回一点旅费。设C国n个城市的标号从1~ n,阿龙决定从1号城市出发,并最终在n 号城市结束自己的旅行。在旅游的过程中,任何城市可以重复经过多次,但不要求经过所有n个城市。阿龙通过这样的贸易方式赚取旅费:他会选择一个经过的城市买入他最喜欢的商品——水晶球,并在之后经过的另一个城市卖出这个水晶球,用赚取的差价当做旅费。由于阿龙主要是来C国旅游,他决定这个贸易只进行最多一次,当然,在赚不到差价的情况下他就无需进行贸易。
  假设C国有5个大城市,城市的编号和道路连接情况如下图,单向箭头表示这条道路为单向通行,双向箭头表示这条道路为双向通行。

  假设1~n号城市的水晶球价格分别为4,3,5,6,1。阿龙可以选择如下一条线路:1->2->3->5,并在2号城市以3 的价格买入水晶球,在3号城市以5的价格卖出水晶球,赚取的旅费数为2。阿龙也可以选择如下一条线路 1->4->5->4->5,并在第1 次到达5 号城市时以1 的价格买入水晶球,在第2 次到达4 号城市时以6 的价格卖出水晶球,赚取的旅费数为5。

  现在给出n个城市的水晶球价格,m条道路的信息(每条道路所连接的两个城市的编号以及该条道路的通行情况)。请你告诉阿龙,他最多能赚取多少旅费。

输入描述 Input Description

  第一行包含 2 个正整数n和m,中间用一个空格隔开,分别表示城市的数目和道路的数目。
  第二行 n 个正整数,每两个整数之间用一个空格隔开,按标号顺序分别表示这n 个城市的商品价格。
  接下来 m 行,每行有3 个正整数,x,y,z,每两个整数之间用一个空格隔开。如果z=1,表示这条道路是城市x 到城市y 之间的单向道路;如果z=2,表示这条道路为城市x 和城市y 之间的双向道路。

输出描述 Output Description

  包含1 个整数,表示最多能赚取的旅费。如果没有进行贸易,则输出0。

样例输入 Sample Input

  5 5
  4 3 5 6 1
  1 2 1
  1 4 1
  2 3 2
  3 5 1
  4 5 2

样例输出 Sample Output

  5

【数据范围】
  输入数据保证1号城市可以到达n号城市。
  对于10%的数据,1≤n≤6。
  对于30%的数据,1≤n≤100。
  对于50%的数据,不存在一条旅游路线,可以从一个城市出发,再回到这个城市。
  对于100%的数据,1≤n≤100000,1≤m≤500000,1≤x,y≤n,1≤z≤2,1≤各城市水晶球价格≤100。

【题解】【SPFA】

【利用SPFA的方式,从一号节点出发查找能到达节点n的最小值;从n号节点出发查找能到达一号节点的最大值。这两种查找要分别建图,从n出发时,要反向重新建图】

【然后枚举每个点的maxn[i]-minn[i],找最大值】

#include<queue>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
int a[1000010],nxt[1000010],p[100010],tot;
int d[1000010],next[1000010],point[100010],cnt;
int maxn[100010],minn[100010];
int n,m,w[100010],ans;
bool b[100010];
inline void add(int x,int y)
{
	tot++; a[tot]=y; nxt[tot]=p[x]; p[x]=tot;
	cnt++; d[cnt]=x; next[cnt]=point[y]; point[y]=cnt;
}
inline void spfa(int s,int t)
{
	queue<int>que;
	memset(minn,127/3,sizeof(minn));
	memset(b,0,sizeof(b));
	minn[s]=w[s]; b[s]=1; que.push(s);
	while(!que.empty())
	 {
	 	int u=que.front(); que.pop();
	 	int v=p[u];
	 	while(v)
	 	 {
	 	 	if(minn[a[v]]>minn[u])
	 	 	 {
	 	 	 	minn[a[v]]=min(minn[u],w[a[v]]);
	 	 	 	if(!b[a[v]])
	 	 	 	 {
	 	 	 	 	b[a[v]]=1;
	 	 	 	 	que.push(a[v]);
					}
			   }
			v=nxt[v];
		  }
	 }
}
inline void SPFA(int s,int t)
{
	queue<int>que;
	memset(maxn,0,sizeof(maxn));
	memset(b,0,sizeof(b));
	maxn[s]=w[s]; b[s]=1; que.push(s);
	while(!que.empty())
	 {
	 	int u=que.front(); que.pop();
	 	int v=point[u];
	 	while(v)
	 	 {
	 	 	if(maxn[d[v]]<maxn[u])
	 	 	 {
	 	 	 	maxn[d[v]]=max(maxn[u],w[d[v]]);
	 	 	 	if(!b[d[v]])
	 	 	 	 {
	 	 	 	 	b[d[v]]=1;
	 	 	 	 	que.push(d[v]);
					}
			   }
			v=next[v];
		  }
	 }
}
int main()
{
	int i;
	scanf("%d%d",&n,&m);
	for(i=1;i<=n;++i) scanf("%d",&w[i]);
	for(i=1;i<=m;++i)
	 {
	 	int x,y,opt;
	 	scanf("%d%d%d",&x,&y,&opt);
	 	if(opt==1) add(x,y);
	 	if(opt==2) add(x,y),add(y,x);
	 }
	spfa(1,n); 
	SPFA(n,1);
	for(i=1;i<=n;++i)
	 {
	 	int sum=maxn[i]-minn[i];
	 	if(sum>ans) ans=sum;
	 }
	printf("%d\n",ans);
	return 0;
}

[刚开始想到这种方法的时候担心选出来的跑不到n,然后各种yy...]

转载于:https://www.cnblogs.com/lris-searching/p/9403082.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