动态规划 -> 树形dp习题

1. 树的最长路径

注意

错误的dfs,应当用temp去更新d1和d2,而不是dist。

int dfs(int now, int father){
    int dist = 0;
    int d1 = 0, d2 = 0;
    for(int i=head[now]; ~i; i = edge[i].next){
        int to = edge[i].to;
        if(to == father) continue;
        int temp = dfs(to, now) + edge[i].wei; 
        if(dist > d1) d2 = d1, d1 = dist;
        else if(dist > d2) d2 = dist;
        dist = max(dist, temp);
    }
    ans = max(ans, d1 + d2);
    return dist;
}

AC代码:

/*
 * Author:  Chen_zhuozhuo
 * Created Time:  2020/3/21 20:50:12
 * File Name: a.cpp
 */
#include <iostream>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <cmath>
#include <algorithm>
#include <string>
#include <vector>
#include <stack>
#include <queue>
#include <set>
#include <time.h>
using namespace std;
typedef long long ll;
typedef pair<int,int> PII;
const int maxint = -1u>>1;
const int inf = 0x3f3f3f3f;
const int maxn = 1e4+10;
int n,from,to,wei;
int cnt = 1;
int vis[maxn];
int ans = 0;
int head[maxn];

struct Edge{
    int next, to, wei;
}edge[maxn<<1];

void addedge(int from, int to, int wei){
    edge[cnt].to = to;
    edge[cnt].wei = wei;
    edge[cnt].next = head[from];
    head[from] = cnt ++;
}

int dfs(int now, int father){
    int dist = 0, d1 = 0, d2 = 0;
    for(int i = head[now]; ~i; i = edge[i].next){
        int to = edge[i].to;
        if(to == father) continue;
        int d = dfs(to, now) + edge[i].wei;
        if(d > d1) d2 = d1, d1 = d;
        else if(d > d2) d2 = d;
        dist = max(dist, d);
    }
    ans = max(ans, d1 + d2);
    return dist;
}

void init(){
    for(int i=0;i<=n;i++){
        head[i] = -1;
    }
}

int main() {
    cin>>n;
    init();
    for(int i=1;i<n;i++){
        cin>>from>>to>>wei;
        addedge(from, to, wei);
        addedge(to, from, wei);
    }
    
    dfs(1, -1);
    
    cout<<ans<<endl;
    
    return 0;
}

2. Interesting Vertices

题意

一棵树,k个点被染色,定义interesting点:每一个直接孩子为根的子树都至少有一个节点被染色。求多少个染色点,并从小到大输出节点编号。

思路

队友用正反两次搜索过了(反向搜索用map存点)。我用树形dp。
从染色点开始搜索,对每一个节点定义两个属性interesting和其dfs的返回值。
dfs返回值(true表示,以node[i]做根的子树存在染色点)

判定条件

dfs返回值true的条件:染色点 或 其子树dfs返回值为true
interesting的条件: 子树返回值累加和 = 度数减1
解释: interesting的条件:是因为我们从染色点开始搜索,也就是某点的上方一定有一个染色点,所以等于度数减1就可以了。

代码

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<map>
#include<vector>
using namespace std;
typedef long long ll;
typedef pair<int, int> PII;
const int maxn = 2e5 + 10;
const double esp = 1e-6;
const int inf = 0x3f3f3f3f;
int n, k, cnt = 1, from, to;
int head[maxn];
int degree[maxn];
int col[maxn];
int itst[maxn];

struct EDGE{
	int next, to;
}edge[maxn << 1];

void init(){
	for(int i=0;i<=n;i++){
		head[i] = -1;
	}
}

void addedge(int from, int to){
	edge[cnt].to = to;
	edge[cnt].next = head[from];
	head[from] = cnt ++;
}

// tree-format dynamic programming
bool dfs(int now, int father){
	int cnt = 0;
	for(int i=head[now]; ~i; i=edge[i].next){
		int to = edge[i].to;
		if(to == father) continue;
		if(dfs(to, now)) cnt ++;
	}
	if(col[now])
		return true;
	if(cnt == degree[now] - 1)
		itst[now] = 1;
	if(cnt)
		return true;
	return false;
}

int main(){
	scanf("%d%d", &n, &k);
	init();
	for(int i=1;i<=k;i++){
		scanf("%d", &from);
		col[from] = 1;
	}

	for(int i=1;i<n;i++){
		scanf("%d%d", &from, &to);
		addedge(from, to), addedge(to, from);
		degree[from] ++, degree[to] ++;
	}

	for(int i=1;i<=n;i++){
		if(col[i]){
			dfs(i, -1);
			break;
		}
	}

	int ans = 0;
	for(int i=1;i<=n;i++){
		if(itst[i])
			ans ++;
	}
	printf("%d\n", ans);

	for(int i=1;i<=n;i++){
		if(itst[i])
			printf("%d ", i);
	}
	puts("");
	return 0;
}

/*
 
 inputCopy
4 1
3
1 2
2 3
2 4

outputCopy
2
1 4 
inputCopy
8 3
6 5 7
1 5
5 4
5 3
1 6
2 7
1 2
1 8

outputCopy
4
2 3 4 8 
 
 */
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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