[BZOJ1143][CTSC2008]祭祀river(Dilworth定理+二分图匹配)

二分图好强呀。

Source

https://www.lydsy.com/JudgeOnline/problem.php?id=1143

Solution

先介绍一些概念:
反链:图中所有点的一个子集,子集中任意两点不能相互到达。
最长反链:包含点数最多的反链。题目要求的就是一张有向图的最长反链。
最小路径覆盖:用最少的路径条数,把图中所有的点都走过至少一遍。最小路径覆盖就是这种情况下所用的路径条数。
Dilworth 定理:最长反链等于最小路径覆盖。
根据 Dilworth 定理,该问题即为求有向无环图的最小路径覆盖。
求有向无环图最小路径覆盖的方法:
(1)将一个点 i i 拆成两个点 i i i ′ ,分别放在二分图的两边。
(2)对于一对点 i i j ,如果有向无环图中 i i 能到达 j ,那么就连边 (i,j) ( i , j ′ )
(3)最小路径覆盖 = = 有向无环图的点数 最大匹配数。

Code

#include <cmath>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define For(i, a, b) for (i = a; i <= b; i++)
#define Edge(u) for (int e = adj[u], v; e; e = nxt[e])
using namespace std;
inline int read() {
    int res = 0; bool bo = 0; char c;
    while (((c = getchar()) < '0' || c > '9') && c != '-');
    if (c == '-') bo = 1; else res = c - 48;
    while ((c = getchar()) >= '0' && c <= '9')
        res = (res << 3) + (res << 1) + (c - 48);
    return bo ? ~res + 1 : res;
}
const int N = 405, M = 3e5 + 5;
int n, m, ecnt, nxt[M], adj[N], go[M], T, my[N], vis[N];
bool g[N][N];
void add_edge(int u, int v) {
    nxt[++ecnt] = adj[u]; adj[u] = ecnt; go[ecnt] = v;
}
bool dfs(int u) {
    Edge(u) if (vis[v = go[e]] < T) {
        vis[v] = T; if (!my[v] || dfs(my[v])) return my[v] = u, 1;
    }
    return 0;
}
int solve() {
    int i, res = 0; For (i, 1, n) T++, dfs(i) ? res++ : 0; return res;
}
int main() {
    int i, j, k; n = read(); m = read(); For (i, 1, m) g[read()][read()] = 1;
    For (k, 1, n) For (i, 1, n) For (j, 1, n) g[i][j] |= g[i][k] & g[k][j];
    For (i, 1, n) For (j, 1, n) if (g[i][j]) add_edge(i, j + n);
    cout << n - solve() << endl; return 0;
}
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