JZOJ 5602.【NOI2018模拟3.26】Cti

JZOJ 5602.【NOI2018模拟3.26】Cti

Description

  有一个 \(n×m\) 的地图,地图上的每一个位置可以是空地,炮塔或是敌人。你需要操纵炮塔消灭敌人。
  对于每个炮塔都有一个它可以瞄准的方向,你需要在它的瞄准方向上确定一个它的攻击位置,当然也可以不进行攻击。一旦一个位置被攻击,则在这个位置上的所有敌人都会被消灭。
  保证对于任意一个炮塔,它所有可能的攻击位置上不存在另外一个炮塔。
  定义炮弹的运行轨迹为炮弹的起点和终点覆盖的区域。你需要求出一种方案, 使得没有两条炮弹轨迹相交。

Input

  第一行两个整数 \(n,m\)
  接下来 n 行,每行 m 个整数,$0 \(表示空地,\)-1,-2,-3,-4\(分别表示瞄准上下左右的炮塔,正整数\) p$ 表示表示此位置有 $p $个敌人。

Output

  输出仅一行一个整数表示答案。

Sample Input

3 2
0 9
-4 3
0 -1

Sample Output

9

Hint

【样例输入2】
4 5
0 0 -2 0 0
-4 0 5 4 0
0 -4 3 0 6
9 0 0 -1 0
【样例输出2】
12
【数据范围与约定】
对于前$ 20 %$ 的数据,\(n, m ≤ 5\)
  对于另$ 20 %$ 的数据,朝向上下的炮塔至多有 \(2\) 个;
  对于另 \(20 \%\)的数据,至多有$ 6 $个炮塔;
  对于 \(100 \%\) 的数据,\(1 ≤ n, m ≤ 50\),每个位置的敌人数量 \(< 1000\)

比较巧妙的网络流。

首先我们要注意这句话“ 保证对于任意一个炮塔,它所有可能的攻击位置上不存在另外一个炮塔。”,所以只有攻击方向垂直的炮塔之间可能相互影响。

所以我们就可以将按攻击方向将图分成两部分。

这种有限制的最优化我们一般的套路就是:先不考虑限制算出最优解\(ans\),然后用冲突建边跑最小割,答案就是\(ans-\)最小割。

显然不考虑限制情况的话答案就是每个点能取到的最大值之和。然后我们考虑如何将冲突建边。

我们将地图上每个点拆成两个点,表示竖向的点和横向的点。由竖向的点向横向的点一条\(\infty\)的边。对于一个炮台,假设他是竖向(以向上为例)的炮塔,我们先从\(S\)向它连一条\(\infty\)的边,然后从它上面的每一个点都向其上方的第一个点连边,直到遇到边界或者另一个炮台为止;横向的类似,只不过我们连的都是反向的边,然后在向\(T\)连一条\(\infty\)的边。一个冲突就是一条\(S\to T\)的路径。

考虑我们上述的相邻的边的流量该设多大。假设一个竖向炮塔能得到的最大值为\(mx\),它连了一条路径\((a_1\to a_2...a_{k-1}\to a_k)\)则第\(i\)条边的容量为\(mx-val_{a_i}\)。因为假设我们割了第\(i\)条边,则我们选择的攻击对象为\(a_i\),所以权值为\(mx-val_{a_i}\)。对于横向的炮台,第\(i\)条边的权值为\(val_{a_{i+1}}\),同理。

代码:

#include<bits/stdc++.h>
#define ll long long
#define N 55

using namespace std;
inline int Get() {int x=0,f=1;char ch=getchar();while(ch<'0'||ch>'9') {if(ch=='-') f=-1;ch=getchar();}while('0'<=ch&&ch<='9') {x=(x<<1)+(x<<3)+ch-'0';ch=getchar();}return x*f;}

int n,m;
int id[N][N],tot;
int rk[N][N];
int w[N][N];
int val[N][N];
int S,T;
int dx[]={0,-1,1,0,0},dy[]={0,0,0,-1,1};
int d[N][N];
struct road {int to,next,f;}s[N*N<<3];
int h[N*N<<2],cnt=1;
void add(int i,int j,int f) {
    s[++cnt]=(road) {j,h[i],f};h[i]=cnt;
    s[++cnt]=(road) {i,h[j],0};h[j]=cnt;
}
int ans;
int dis[N*N<<2];
queue<int>q;
bool bfs() {
    memset(dis,0x3f,sizeof(dis));
    dis[S]=0;
    q.push(S);
    while(q.size()) {
        int v=q.front();q.pop();
        for(int i=h[v];i;i=s[i].next) {
            int to=s[i].to;
            if(s[i].f&&dis[to]>dis[v]+1) {
                dis[to]=dis[v]+1;
                q.push(to);
            }
        }
    }
    return dis[T]<1e9;
}
int dfs(int v,int maxf) {
    if(v==T) return maxf;
    int ret=0;
    for(int i=h[v];i;i=s[i].next) {
        int to=s[i].to;
        if(s[i].f&&dis[to]==dis[v]+1) {
            int dlt=dfs(to,min(maxf,s[i].f));
            s[i].f-=dlt;
            s[i^1].f+=dlt;
            ret+=dlt;
            maxf-=dlt;
            if(!maxf) return ret;
        }
    }
    return ret;
}
int dinic() {
    int ans=0;
    while(bfs()) {
        while(1) {
            int tem=dfs(S,1e9);
            if(!tem) break;
            ans+=tem;
        }
    }
    return ans;
}

int main() {
    n=Get(),m=Get();
    for(int i=1;i<=n;i++)
        for(int j=1;j<=m;j++)
            w[i][j]=Get();
    tot=n*m;
    for(int i=1;i<=n;i++) {
        for(int j=1;j<=m;j++) {
            rk[i][j]=(i-1)*m+j;
            if(w[i][j]<0) d[i][j]=-w[i][j];
            add(rk[i][j],rk[i][j]+tot,1e9);
        }
    }
    
    for(int i=1;i<=n;i++)
        for(int j=1;j<=m;j++)
            val[i][j]=max(0,w[i][j]);
    S=0,T=tot*2+1;
    for(int i=1;i<=n;i++) {
        for(int j=1;j<=m;j++) {
            if(w[i][j]==-1||w[i][j]==-2) {
                add(S,rk[i][j],1e9);
                int mx=0;
                int a=i,b=j;
                for(;;) {
                    a+=dx[d[i][j]],b+=dy[d[i][j]];
                    if(a>n||a<1||b>m||b<1||w[a][b]<0) break;
                    mx=max(mx,w[a][b]);
                }
                ans+=mx;
                for(a-=dx[d[i][j]],b-=dy[d[i][j]];;) {
                    if(a==i&&b==j) break;
                    int prex=a-dx[d[i][j]],prey=b-dy[d[i][j]];
                    add(rk[prex][prey],rk[a][b],mx-val[prex][prey]);
                    a=prex,b=prey;
                }
            } else if(w[i][j]==-3||w[i][j]==-4) {
                add(rk[i][j]+tot,T,1e9);
                int mx=0;
                int a=i,b=j;
                for(;;) {
                    a+=dx[d[i][j]],b+=dy[d[i][j]];
                    if(a>n||a<1||b>m||b<1||w[a][b]<0) break;
                    mx=max(mx,w[a][b]);
                }
                ans+=mx;
                for(a-=dx[d[i][j]],b-=dy[d[i][j]];;) {
                    if(a==i&&b==j) break;
                    int prex=a-dx[d[i][j]],prey=b-dy[d[i][j]];
                    add(rk[a][b]+tot,rk[prex][prey]+tot,mx-val[prex][prey]);
                    a=prex,b=prey;
                }
            }
        }
    }
    cout<<ans-dinic();
    return 0;
}

转载于:https://www.cnblogs.com/hchhch233/p/10601058.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
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