POJ-2942-The Knights Of The Round Table

378 篇文章 0 订阅

书上学习二分图的一个例题。

代码:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<vector>
#include<stack>
using namespace std;
const int maxe=1010;
const int maxv=10e5+10;
struct Edge
{
    int u;
    int v;
};
int n,m,odd[maxv],color[maxv];
int a[maxe][maxe],pre[maxe],bccno[maxe],dfs_clock,bcc_cnt;
bool iscut[maxe];
vector<int> g[maxe],bcc[maxe];
stack<Edge> s;
int dfs(int u,int fa)
{
    int lowu=pre[u]=++dfs_clock;
    int child=0;
    for(int i=0;i<g[u].size();i++)
    {
	int v=g[u][i];
	Edge e=(Edge){u,v};
	if(!pre[v])
	{
	    s.push(e);
	    child++;
	    int lowv=dfs(v,u);
	    lowu=min(lowu,lowv);
	    if(lowv>=pre[u])
	    {
		iscut[u]=1;
		bcc_cnt++;
		bcc[bcc_cnt].clear();
		for(;;)
		{
		    Edge x=s.top();
		    s.pop();
		    if(bccno[x.u]!=bcc_cnt)
		    {
			bcc[bcc_cnt].push_back(x.u);
			bccno[x.u]=bcc_cnt;
		    }
		    if(bccno[x.v]!=bcc_cnt)
		    {
			bcc[bcc_cnt].push_back(x.v);
			bccno[x.v]=bcc_cnt;
		    }
		    if(x.u==u&&x.v==v)
			break;
		}
	    }
	}
	else if(pre[v]<pre[u]&&v!=fa)
	{
	    s.push(e);
	    lowu=min(lowu,pre[v]);
	}
    }
    if(fa<0&&child==1)
	iscut[u]=0;
    return lowu;
}
void find_bcc(int n)
{
    memset(pre,0,sizeof(pre));
    memset(iscut,0,sizeof(iscut));
    memset(bccno,0,sizeof(bccno));
    dfs_clock=bcc_cnt=0;
    for(int i=0;i<n;i++)
	if(!pre[i])
	    dfs(i,-1);		    
}
bool bipartite(int u,int b)
{
    for(int i=0;i<g[u].size();i++)
    {
	int v=g[u][i];
	if(bccno[v]!=b)
	    continue;
	if(color[v]==color[u])
	    return false;
	if(!color[v])
	{
	    color[v]=3-color[u];
	    if(!bipartite(v,b))
		return false;
	}
    }
    return true;
}
int main()
{
    while(scanf("%d%d",&n,&m)&&(n||m))
    {
	for(int i=0;i<n;i++)
	    g[i].clear();
	memset(a,0,sizeof(a));
	for(int i=0;i<m;i++)
	{
	    int ita,itb;
	    scanf("%d%d",&ita,&itb);
	    ita--;itb--;
	    a[ita][itb]=a[itb][ita]=1;
	}
	for(int u=0;u<n;u++)
	    for(int v=u+1;v<n;v++)
		if(!a[u][v])
		{
		    g[u].push_back(v);
		    g[v].push_back(u);
		}
	find_bcc(n);
	memset(odd,0,sizeof(odd));
	for(int i=1;i<=bcc_cnt;i++)
	{
	    memset(color,0,sizeof(color));
	    for(int j=0;j<bcc[i].size();j++)
		bccno[bcc[i][j]]=i;
	    int u=bcc[i][0];
	    color[u]=1;
	    if(!bipartite(u,i))
		for(int j=0;j<bcc[i].size();j++)
		    odd[bcc[i][j]]=1;
	}
	int ans=n;
	for(int i=0;i<n;i++)
	    if(odd[i])
		ans--;
	printf("%d\n",ans);
    }
    return 0;
}


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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