HUDOJ3038_How Many Answers Are Wrong_带权并查集

题意

有 n 个整数(但不给出), m 组条件,每组条件的格式为 (a, b, c)。即第 a 个数到第 b 个数之和为 c。如果某一组条件与前面的条件不矛盾,则认为它是真的。否则,则认为它是假的。问一共有几组假条件。

思路

a 到 b 的区间和为 c,可以看成是 a-1 到 b 的距离为 c。套用带权并查集的模板即可。

带权并查集

给条件(a, b, c),b 到 a 的距离为 c 。找矛盾条件。
增加权值数组 val,表示同一集合内到根节点的距离。初始化为 0。
由于带有方向性,去掉并查集原本的 rank 数组。
集合合并操作时,也要修改权值数组 val。但这里只修改被吞并的集合的根节点,其余节点在查询操作中更新。修改公式 val[ry] = val[x] + z - val[y]。这里可以把 x, y, ry 看成三个点,用向量的思想来理解。
查询根节点的操作,压缩路径时,除了更新 root 之外,也要更新权值。更新公式 val[x] += val[root[x]] 。即原值加上它的上一个根节点的权值,借助向量同样很好理解。
强力WA点见代码中!!!

题目链接

http://acm.hdu.edu.cn/showproblem.php?pid=3038

AC代码

#include<cstdio>
#include<iostream>

using namespace std;

const int maxn = 2e5 + 10;

int n, m;
int x, y, z;
int res;

int root[maxn], val[maxn];

void init(int n)
{
    for(int i= 0; i<= n; i++)
        root[i] = i, val[i] = 0;
}

int Uf(int x)
{
    if(x == root[x]) return x;
    int r = Uf(root[x]);

    val[x] += val[root[x]];//这一句和下一句万万万万不能交换位置!!!!
    root[x] = r;

    return r;
}

void Union(int x, int y, int z)
{
    int rx = Uf(x), ry = Uf(y);
    if(rx == ry) return;

    root[ry] = rx;
    val[ry] = val[x] + z - val[y];
}

int main()
{
    while(scanf("%d %d", &n, &m) != EOF)
    {
        res = 0;
        init(n);

        while(m --)
        {
            scanf("%d %d %d", &x, &y, &z);
            x --;

            if(Uf(x) == Uf(y)){
                if(val[y] - val[x] != z) res ++;
            }
            else Union(x, y, z);
        }

        cout << res << endl;
    }

    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