【NOIP2013货车运输】

描述

A 国有 n 座城市,编号从 1 到 n,城市之间有 m 条双向道路。每一条道路对车辆都有重量限制,简称限重。现在有 q 辆货车在运输货物,司机们想知道每辆车在不超过车辆限重的情况下,最多能运多重的货物。

格式

输入格式

第一行有两个用一个空格隔开的整数 n,m,表示 A 国有 n 座城市和 m 条道路。

接下来 m 行每行 3 个整数 x、y、z,每两个整数之间用一个空格隔开,表示从 x 号城市到 y 号城市有一条限重为 z 的道路。注意:x 不等于 y,两座城市之间可能有多条道路。

接下来一行有一个整数 q,表示有 q 辆货车需要运货。

接下来 q 行,每行两个整数 x、y,之间用一个空格隔开,表示一辆货车需要从 x 城市运输货物到 y 城市,注意:x 不等于 y。

输出格式

输出共有 q 行,每行一个整数,表示对于每一辆货车,它的最大载重是多少。如果货车不能到达目的地,输出-1。

样例1

样例输入1

4 3 
1 2 4 
2 3 3 
3 1 1 
3
1 3 
1 4 
1 3

Copy

样例输出1

3
-1
3

Copy

限制

每个测试点1s。

提示

对于 30%的数据,0 < n < 1,000,0 < m < 10,000,0 < q < 1,000; 
对于 60%的数据,0 < n < 1,000,0 < m < 50,000,0 < q < 1,000; 
对于 100%的数据,0 < n < 10,000,0 < m < 50,000,0 < q < 30,000,0 ≤ z ≤ 100,000。

  30分   spfa+暴力 对于每个询问跑spfa

  60分   整体二分 或 kruscal+暴力查找路径

整体二分代码:

#include<cstdio>
#include<algorithm>
#include<cstring>
#include<iostream>
#define N 10005
using namespace std;
int fa[N],U[N<<3],V[N<<3],W[N<<3],s[N],p[N],n,m,Q;
int find(int u){return fa[u]==u?u:fa[u]=find(fa[u]);}
struct query{int x,y,id,ans;}q[N<<2];
bool cmp(query a,query b){return a.id<b.id;}
void build(int x){
	for(int i=1;i<=m;i++){
		if(W[i]<x)continue;
		int u=find(U[i]),v=find(V[i]);
		if(u!=v)fa[v]=u;
	}
}

void binary(int l,int r,int x,int y){
	if(l>r||x>y)return;
	for(int i=1;i<=n;i++)fa[i]=i;
	int mid=(l+r)>>1;build(mid);
	int h=x-1,t=y+1;
	for(int i=x;i<=y;i++){//q
		int xx=find(q[s[i]].x);
		int yy=find(q[s[i]].y);
		if(xx==yy){
			q[s[i]].ans=mid;
			p[--t]=s[i];
		}
		else p[++h]=s[i];
	}
	for(int i=x;i<=y;i++)s[i]=p[i];
	binary(l,mid-1,x,h);
	binary(mid+1,r,t,y);
}

int main(){
	scanf("%d%d",&n,&m);
	for(int i=1;i<=m;i++)scanf("%d%d%d",&U[i],&V[i],&W[i]);
	scanf("%d",&Q);
	for(int i=1;i<=Q;i++){
		scanf("%d%d",&q[i].x,&q[i].y);
		q[i].id=i;q[i].ans=-1;s[i]=i;
	}
	binary(0,100000,1,Q);
	sort(q+1,q+1+Q,cmp);
	for(int i=1;i<=Q;i++)
	printf("%d\n",q[i].ans);
	return 0;
}

  

  100分 kruscal+倍增lca找路径

  对于此题,有一个性质:走边权最大的路径。

  由此推出所有路径都是在最大生成树上,重新建图。

  路径查找时,在倍增找lca的代码中加上一个记录从当前点到祖上2^k个节点路径上的最小权值,类似于rmq算法。对于每个询问(x,y)查找 rmq(x,lca)和 rmq(y,lca)后取min。

  复杂度(mlogm+qlogn)

  

#include<cstdio>
#include<algorithm>
#include<cstring>
#include<iostream>
#define N 50005
using namespace std;
int n,m,q,fa[N],hd[N],p[N][25],d[N],rmq[N][25],cnt=1,tot;
int find(int x){return fa[x]==x?x:fa[x]=find(fa[x]);}struct edge{int v,next,w;}e[N]; 
struct edge1{int u,v,w;bool operator <(const edge1 &b)const{return w>b.w;}}e1[N];

void dfs(int u,int dad,int val){
	p[u][0]=dad;
	d[u]=d[dad]+1;
	rmq[u][0]=val;
	for(int i=1;(1<<i)<=d[u];i++){
		p[u][i]=p[p[u][i-1]][i-1];
		rmq[u][i]=min(rmq[u][i-1],rmq[p[u][i-1]][i-1]);
	}
	for(int i=hd[u];i;i=e[i].next)
	if(e[i].v!=dad)dfs(e[i].v,u,e[i].w);	
}

int lca(int x,int y){
	int ans=99999999;
	if(d[x]>d[y])swap(x,y);
	for(int i=20;~i;i--)
	if(d[x]<=d[y]-(1<<i))
	{ans=min(ans,rmq[y][i]);y=p[y][i];}
	if(x==y)return ans;
	for(int i=20;~i;i--){
		if(p[x][i]==p[y][i])continue;
		ans=min(rmq[x][i],ans);
		ans=min(rmq[y][i],ans);
		x=p[x][i];y=p[y][i];
	}
	return min(ans,min(rmq[x][0],rmq[y][0]));
}

int main(){
	scanf("%d%d",&n,&m);
	for(int i=1;i<=m;i++){
		int u,v,w;
		scanf("%d%d%d",&u,&v,&w);
		e1[i]=(edge1){u,v,w};
	}
	for(int i=1;i<=n;i++)fa[i]=i;
	sort(e1+1,e1+1+m);
	for(int i=1;i<=m;i++){
		int u=find(e1[i].u),v=find(e1[i].v);
		if(fa[u]==fa[v])continue;fa[v]=u;
		e[++tot]=(edge){e1[i].v,hd[e1[i].u],e1[i].w};hd[e1[i].u]=tot;
		e[++tot]=(edge){e1[i].u,hd[e1[i].v],e1[i].w};hd[e1[i].v]=tot;
		cnt++;if(cnt==n)break;
	}
	dfs(1,0,0);
	scanf("%d",&q);
	for(int i=1;i<=q;i++){
		int x,y;
		scanf("%d%d",&x,&y);
		int u=find(x),v=find(y);
		if(u!=v)puts("-1");
		else printf("%d\n",lca(x,y));
	}
	return 0;
}

 

  

 

转载于:https://www.cnblogs.com/wsy01/p/7492165.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
健身国际俱乐部系统是一种专为健身俱乐部设计的管理软件,它通过集成多种功能来提高俱乐部的运营效率和服务质量。这类系统通常包含以下几个核心模块: 1. **会员管理**:系统能够记录会员的基本信息、会籍状态、健身历史和偏好,以及会员卡的使用情况。通过会员管理,俱乐部可以更好地了解会员需求,提供个性化服务,并提高会员满意度和忠诚度。 2. **课程预约**:会员可以通过系统预约健身课程,系统会提供课程时间、教练、地点等详细信息,并允许会员根据个人时间表进行预约。这有助于俱乐部合理安排课程,避免资源浪费。 3. **教练管理**:系统可以管理教练的个人信息、课程安排、会员反馈等,帮助俱乐部评估教练表现,优化教练团队。 4. **财务管理**:包括会员卡销售、课程费用、私教费用等财务活动的记录和管理,确保俱乐部的财务透明度和准确性。 5. **库存管理**:对于俱乐部内的商品销售,如健身装备、营养补充品等,系统能够进行库存管理,包括进货、销售、库存盘点等。 6. **数据分析**:系统能够收集和分析会员活动数据,为俱乐部提供业务洞察,帮助俱乐部制定更有效的营销策略和业务决策。 7. **在线互动**:一些系统还提供在线平台,让会员可以查看课程、预约私教、参与社区讨论等,增强会员之间的互动和俱乐部的社区感。 8. **移动应用**:随着移动设备的普及,一些健身俱乐部系统还提供移动应用,方便会员随时随地管理自己的健身计划。 9. **安全性**:系统会确保所有会员信息的安全,采取适当的数据加密和安全措施,保护会员隐私。 10. **可扩展性**:随着俱乐部业务的扩展,系统应该能够轻松添加新的功能和服务,以适应不断变化的市场需求。 健身国际俱乐部系统的选择和实施,需要考虑俱乐部的具体需求、预算和技术能力,以确保系统能够有效地支持俱乐部的运营和发展。通过这些系统的实施,健身俱乐部能够提供更加专业和高效的服务,吸引和保留更多的会员,从而在竞争激烈的
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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