2020年11月25日提高组 D 不稳定的导弹系统 JZOJ 5057【GDSOI2017模拟4.13】炮塔

R e s u l t Result Result

...


H y p e r l i n k Hyperlink Hyperlink

洛谷
炮塔


D e s c r i p t i o n Description Description

一个 n × m n\times m n×m的网格上有若干个炮台,每个炮台有一个固定的方向,它可以选择打掉这个方向上任意一个点,并获得这个点上的价值(每个点的至多被获取一次价值,保证一个炮台打不到另一个炮台)

若炮台路径不相交,求最大代价

数据范围: n , m ≤ 50 n,m\leq 50 n,m50


S o l u t i o n Solution Solution

这么小的数据范围不是 d p dp dp就是网络流啦(显然考虑网络流嘛,毕竟这是一个取舍问题)

但是正向求貌似很难搞炮台路径相交这个恶心的点,我们考虑用可能的答案减去不合法的
显然,若我们不考虑路径相交,答案就是每个炮台在攻击路径上取个最大值就好了

若考虑路径相交,说明每台炮不能那么舒服的打到价值最高的点,而是考虑你打了某个点会对答案造成的影响
显然我们是可以预处理出来每个炮台打到每个点的价值,然后将路径看做从纵向的走向横向的(就是划分出来源点和汇点分别相连的点)

由于路径不能相交,换句话说就是没有通路,自然想到了最小割
不过这样做处理不了某种恶心人的情况,就是虽然我这条是通路,但实际上是合法的,如下图
....
针对左图这种情况,我们显然可以选择割掉右图中的这三条边就可以合法
但是在网络流中,它还会多割一条边使得图不连通,就恶心到了我们

解决的方法也很简单,考虑拆点使得横纵分开即可

时间复杂度: O ( f l o w ( n 2 m 2 ) ) O(flow(n^2m^2)) O(flow(n2m2))


C o d e Code Code
#include<queue>
#include<cctype>
#include<cstdio>
#include<cstring>
#include<algorithm>
#define LL long long
#define p(i,j) (((i-1)*m+j)*2)
#define q(i,j) (((i-1)*m+j)*2-1)
#define N 5100
using namespace std;int n,m,a[51][51],ans,s,t,sum;
struct node{int next,to,w;}e[N<<2];
int l[N],tot,d[N];
bool vis[N];
inline void add(int u,int v,int w)
{
    e[tot]=(node){l[u],v,w};l[u]=tot++;
    e[tot]=(node){l[v],u,0};l[v]=tot++;
    return;
}
inline bool bfs()
{
    memset(d,-1,sizeof(d));
    queue<int>q;d[s]=0;q.push(s);
    while(q.size())
    {
        int x=q.front();q.pop();
        for(int i=l[x];~i;i=e[i].next)
        {
            int y=e[i].to;
            if(e[i].w&&d[y]==-1)
            {
                d[y]=d[x]+1;
                q.push(y);
                if(y==t) return true;
            }
        }
    }
    return false;
}
int dfs(int x,int flow)
{
    if(x==t||!flow) return flow;
    int rest=0,k=0,f=0;
    for(int i=l[x];~i;i=e[i].next)
    {
        int y=e[i].to;
        if(d[x]+1==d[y]&&e[i].w)
        {
            f=dfs(y,min(flow-rest,e[i].w));
            if(!f) d[y]=-1;
            e[i].w-=f;rest+=f;e[i^1].w+=f;
        }
    }
    if(!rest) d[x]=-1;
    return rest;
}
void dinic()
{
    while(bfs()) sum-=dfs(s,1e9);
    return;
}
inline LL read()
{
	char c;LL d=1,f=0;
	while(c=getchar(),!isdigit(c)) if(c=='-') d=-1;f=(f<<3)+(f<<1)+c-48;
	while(c=getchar(),isdigit(c)) f=(f<<3)+(f<<1)+c-48;
	return d*f;
}
signed main()
{
	memset(l,-1,sizeof(l));
	n=read();m=read();s=0;t=n*m*2+1;
	for(register int i=1;i<=n;i++) for(register int j=1;j<=m;j++) a[i][j]=read(),add(p(i,j),q(i,j),1e9);
	for(register int i=1;i<=n;i++) for(register int j=1;j<=m;j++) if(a[i][j]<0)
	{
		int mx=0;
		if(a[i][j]==-1) 
		{
			add(s,p(i,j),1e9);
			for(register int k=i;k>=1;k--) mx=max(a[k][j],mx);
			for(register int k=i;k>=2;k--) add(p(k,j),p(k-1,j),mx-max(a[k][j],0));
		}
		if(a[i][j]==-2)
		{
			add(s,p(i,j),1e9);
			for(register int k=i;k<=n;k++) mx=max(a[k][j],mx);
			for(register int k=i;k<n;k++) add(p(k,j),p(k+1,j),mx-max(a[k][j],0));
		}
		if(a[i][j]==-3)
		{
			add(q(i,j),t,1e9);
			for(register int k=j;k>=1;k--) mx=max(a[i][k],mx);
			for(register int k=j;k>=2;k--) add(q(i,k-1),q(i,k),mx-max(a[i][k],0));
		}
		if(a[i][j]==-4)
		{
			add(q(i,j),t,1e9);
			for(register int k=j;k<=m;k++) mx=max(a[i][k],mx);
			for(register int k=j;k<m;k++) add(q(i,k+1),q(i,k),mx-max(a[i][k],0));
		}
		sum+=mx;
	}		
	dinic();
	printf("%lld",sum);
}
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