HDU 5934 Bomb 强连通块

tarjan缩点,借鉴他人代码结果。
tarjan真的太难

#include <cstdio>
#include <algorithm>
#include <cmath>
#include <cstring>
#include <queue>
#include <vector>
#include <map>
#include <string>
#include <iostream>
#include <stack>
//#include <stdlib.h>
#include <deque>
//#include <windows.h>
using namespace std;


long long r[1006],c[1006],tot,cnt,num,nn;
long long x[1006],y[1006];
bool maps[1006][1006],vis[1006];
int dfn[1006],belong[1006],low[1006],out[1006],in[1006];
stack<int>sta;

void tarjan(int u)
{
    vis[u]=1;
    sta.push(u);
    dfn[u]=low[u]=++cnt;

    for(int i=1;i<=nn;i++)
    {
        if(maps[u][i]==0) continue;

        int v=i;
        if(!dfn[v])
        {
            tarjan(v);
            if(low[v]<low[u]) low[u]=low[v];
        }
        else if(vis[v])
        {
            if(dfn[v]<low[u]) low[u]=dfn[v];
        }
    }

    if(dfn[u]==low[u])//搞出联通块了
    {
        ++num;
        while(true)
        {
            int v=sta.top(); sta.pop();
            belong[v]=num;//缩点
            vis[v]=0;
            if(v ==u) break;
        }
    }
}

int  main()
{
    long long i,j,k,l,t,m,n,fina;
    long long len;

    scanf("%lld",&t);

    for(long long xxx=1;xxx<=t;xxx++)
    {
        scanf("%lld",&n);nn=n;

        memset(maps,0,sizeof maps);memset(dfn,0,sizeof dfn);
        memset(vis,0,sizeof vis);memset(in, 0, sizeof(in));memset(out, 0, sizeof(out));
        tot=cnt=num=0;
        while(sta.size()) sta.pop();

        for(i=1;i<=n;i++)
        {
            scanf("%lld",&x[i]);scanf("%lld",&y[i]);
            scanf("%lld",&r[i]);scanf("%lld",&c[i]);
        }

        for(i=1;i<=n;i++)
        {
            for(j=i+1;j<=n;j++)
            {
                len=(x[i]-x[j])*(x[i]-x[j])+(y[i]-y[j])*(y[i]-y[j]);

                if(len<=(r[i])*(r[i]))
                    maps[i][j]=1;
                if(len<=(r[j])*(r[j]))
                    maps[j][i]=1;
            }
        }

        for(i=1;i<=n;i++)
        if(!dfn[i])
        tarjan(i);

        for(int u=1;u<=n;u++)
        {
            for(i=1;i<=n;i++)
            {
                if(maps[u][i]==0) continue;

                int v =i;
                if(belong[u]!=belong[v])
                {
                    out[belong[u]]++;
                    in[belong[v]]++;
                }
            }
        }

        fina=0;
        for(i=1;i<=num;i++)
        {
            if(in[i]==0)
            {
                int mi=0x3f3f3f3f;
                for(int j=1;j<=n;j++)
                {
                    if(belong[j]==i)
                    {
                        if(c[j]<mi) mi=c[j];
                    }
                }
                fina+=mi;
            }
        }

        printf("Case #%lld: %lld\n",xxx,fina);

    }


    return 0;
}
  • 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
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