CCF_CSP_无线网络

CCF_CSP_无线网络(100分)

问题描述

目前在一个很大的平面房间里有 n 个无线路由器,每个无线路由器都固定在某个点上。任何两个无线路由器只要距离不超过 r 就能互相建立网络连接。
  除此以外,另有 m 个可以摆放无线路由器的位置。你可以在这些位置中选择至多 k 个增设新的路由器。
  你的目标是使得第 1 个路由器和第 2 个路由器之间的网络连接经过尽量少的中转路由器。请问在最优方案下中转路由器的最少个数是多少?

输入格式

第一行包含四个正整数 n,m,k,r。(2 ≤ n ≤ 100,1 ≤ k ≤ m ≤ 100, 1 ≤ r ≤ 108)。
  接下来 n 行,每行包含两个整数 xi 和 yi,表示一个已经放置好的无线 路由器在 (xi, yi) 点处。输入数据保证第 1 和第 2 个路由器在仅有这 n 个路由器的情况下已经可以互相连接(经过一系列的中转路由器)。
  接下来 m 行,每行包含两个整数 xi 和 yi,表示 (xi, yi) 点处可以增设 一个路由器。
  输入中所有的坐标的绝对值不超过 108,保证输入中的坐标各不相同。

输出格式

输出只有一个数,即在指定的位置中增设 k 个路由器后,从第 1 个路 由器到第 2 个路由器最少经过的中转路由器的个数。

样例输入

5 3 1 3
0 0
5 5
0 3
0 5
3 5
3 3
4 4
3 0

样例输出

2

思路分析

最短路径问题,采用bellman-ford算法+邻接矩阵,没有队列优化,还是用的邻接矩阵,极其暴力,不过幸运的是并没有运行超时,哈哈。
  首先进行建图,两重循环遍历每两个节点之间的距离,如果小于等于 r 就在mp[i][j]中赋边权为1。
  不同于bellman-ford模板题,该题增加了最多不超过k个新增节点约束,因此在对某节点进行松弛时,要分别考虑该节点在前序新增0-k个节点情况下的最优情况。因此在bellman-ford算法模板的基础上,对核心的松弛部分增加一个维度。模板中的d[i]在此题目的情况下为d[i][j],新增的j维度含义为新增 j 个节点情况下 i 节点距离出发点的最短距离。实际上升维操作目的在于将有后效性转化为无后效性

如果当前设计的状态不满足无后效性,那么不妨把状态进行升维,即增加一维或若干维来表示相应的信息,这样就能满足无后效性了。(摘自算法笔记)

具体核心部分的注释详见源码,第一次写博客,没啥经验,有什么不对的地方,欢迎各位看官指正~

AC源码

#include<iostream>
#include<algorithm>
using namespace std;

int n, m, k, r;
const int MAX = 201;
const int INF = 200000000;
int mp[MAX][MAX];
int d[MAX][MAX];
void Bellman() {
	d[0][0] = 0;
	for (int index = 0; index < n + m - 1; index++) {	//松弛n+m-1次
		for (int i = 0; i < n + m; i++) {
			for (int j = 0; j < n + m; j++) {
				if (mp[i][j] == 1) {					//遍历所有边
					for (int t = 0; t <= k; t++) {		//更新0-k维度的最优解
						if (i < n) {					//中介点为已存在的路由器,而非需要新增的路由器
							if (d[j][t] > d[i][t] + 1) {
								d[j][t] = d[i][t] + 1;
							}
						}
						else {
							if (t != k && d[j][t + 1] > d[i][t] + 1) {//i节点为新增加的路由器,因此在松弛时,i节点中前序增加t个路由器情况下的最优解要和待松弛j节点中前序增加t+1个路由器情况下的最优解进行比较
								d[j][t + 1] = d[i][t] + 1;//并且当i节点前已经增加了k个节点时,j节点就没必要比较了
							}
						}
					}
				}
			}
		}
	}
}

int main() {
	fill(d[0], d[0] + MAX * MAX, INF);
	cin >> n >> m >> k >> r;
	int x[MAX],y[MAX];
	for (int i = 0; i < n + m; i++) {
		cin >> x[i] >> y[i];
	}
	for (int i = 0; i < n + m; i++) {
		for (int j = 0; j < n + m; j++) {
			if (i != j && ((long long int)((x[i] - x[j]))*(x[i] - x[j]) + (long long int)((y[i] - y[j]))*(y[i] - y[j])) <= (long long int)(r)*r)
				mp[i][j] = 1;
		}
	}

 	Bellman();
	sort(d[1], d[1] + k + 1);//将第一个路由器在增加0-k个节点情况下最优解排序,取最小值,选出最,最优解
	cout << d[1][0] - 1 << endl;//因为d[1][0]代表的是起点到终点距离,节点数为距离减1

	return 0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ccf_offline_stage1_train.csv是中国计算机大赛(CCF)的离线阶段一训练数据集。该数据集是CCF比赛组织方提供给参赛选手进行机器学习和数据挖掘训练的文件。 此数据集包含了2016年至2017年之间顾客线下购买行为的信息。具体而言,它包含了购买券的用户ID、商户ID、交易时间、优惠券ID以及是否使用优惠券等信息。 通过这个数据集,我们可以进行很多有趣的分析和预测。例如,我们可以利用用户的购买行为,预测用户对不同商户的购买意愿,从而帮助商户制定更加精准的促销策略。我们还可以通过分析使用优惠券与不使用优惠券之间的购买行为差异,评估优惠券的推广效果。此外,我们可以根据用户的购买行为数据,对用户进行分类,从而进一步了解不同类型用户的消费习惯。 当然,使用这个数据集进行分析也存在一些挑战和限制。首先,它只包含了线下购买行为的信息,而忽略了线上购买行为。其次,数据集中的一些特征可能存在缺失或错误,需要在使用前进行数据清洗和预处理。此外,数据集的规模可能相对较小,可能需要进一步收集更多样本进行分析和训练。 总之,ccf_offline_stage1_train.csv是一个有价值的数据集,可以被用来进行用户行为分析、预测和商业决策支持。通过深入挖掘这些数据,我们可以更好地理解顾客行为,并制定更有效的营销策略。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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