POJ 1947 Rebuilding Roads - 树形DP

还是那句话。。。DP真恶心。。。

这道题大概就是添加子树时由于子树和根节点有边相连,于是每一种情况都要+1,然后再取min

DP方程真的很好写啊。。。就是边界和循环太恶心了
注意就是dp[x][0]是没有任何意义的,因为至少根节点会被选取,所以下限个数为1。然后就是需要注意若当前根节点不为整体棵树的root,则必须断掉来路,ans+1。

#include<iostream>
#include<cstring>
#include<cstdlib>
#include<cstdio>
#include<algorithm>

using namespace std;

const int maxn=155;

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

int n,m,cnt;
int size[maxn],in[maxn],head[maxn],son[maxn];
int dp[maxn][maxn];

void insert(int a,int b)
{
    e[++cnt].to=b;e[cnt].next=head[a];head[a]=cnt;in[b]++;
}
void dfs(int x)
{
    size[x]=1;
    dp[x][1]=0;
    for(int i=head[x];i;i=e[i].next)
    {
        dfs(e[i].to);
        size[x]+=size[e[i].to];
        for(int j=size[x];j>=1;j--)
        {
            dp[x][j]++;//所有加一,因为添加一个新子节点,若还要维护原值则一定要多删去这个与新子节点相连的边
            for(int k=1;k<=min(j-1,size[e[i].to]);k++)
                dp[x][j]=min(dp[x][j],dp[x][j-k]+dp[e[i].to][k]);
            //k从1起,因为子树中至少要选一个点
            //k<j,保证不越界,k!=j因为dp[x][0]是无意义的 
            //k<=size[e[i].to]因为在此子树中只能选择这么多点 
        }
    }
}
int main()
{
    scanf("%d%d",&n,&m);
    for(int i=1;i<n;i++)
    {
        int a,b;
        scanf("%d%d",&a,&b);
        insert(a,b);
    }

    memset(dp,63,sizeof dp);

    int ans=0x3f3f3f3f;

    for(int i=1;i<=n;i++)
        if(!in[i])dfs(i),ans=dp[i][m]; 
    for(int i=1;i<=n;i++)if(in[i])
        ans=min(ans,dp[i][m]+1);//非根节点的子节点若选择则还需要断掉和根节点相连的那一条边 
    printf("%d",ans);
    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
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