UVa 10092 The Problem With the Problem Setter ( SAP )

本文深入分析了一道使用网络流算法解决SAP(最大流问题)的编程题,阐述了如何构建图并实现算法。通过实例演示,详细解释了SAP算法的原理及在该问题中的应用过程。

这道TLE了,用的是最初的网络流算法,具体叫什么算法我就记不清了,但是像这样的数据,是超时了

这道题主要是SAP求最大流

数据不大,矩阵可以解决,后面的文章会写关于SAP的知识的学习笔记里面,会详细说一下SAP算法,这里就直接说一下这道题

这道题建图不难,就是源点和题目, 容量1, 题目和目录,容量1, 目录和汇点,容量是目录所包含的题目数

代码如下:(这也是一道模板题)

#include <cstdio>
#include <cstring>
#include <algorithm>
#include <iostream>
using namespace std;

const int N = 1100;
int maze[N][N], pre[N], gap[N], dis[N], cur[N];

int sap ( int start, int end, int nodenum ) {
    memset( cur, 0, sizeof(cur));
    memset( gap, 0, sizeof(gap));
    memset( dis, 0, sizeof(dis));
    int u = pre[start] = start, maxflow = 0, aug = -1;
    gap[0] = nodenum;
    while ( dis[start] < nodenum ) {
        loop:
            for ( int v = cur[u]; v < nodenum; v++ ) 
                if( maze[u][v] && dis[u] == dis[v] + 1 ) {
                    if ( aug == -1 || aug > maze[u][v] ) aug = maze[u][v];
                    pre[v] = u;
                    u = cur[u] = v;
                    if ( v == end ) {
                        maxflow += aug;
                        for ( u = pre[u]; v != start; v = u, u = pre[u] ) {
                            maze[u][v] -= aug;
                            maze[v][u] += aug;
                        }
                        aug = -1;
                    }
                    goto loop;
                }
        int mindis = nodenum - 1;
        for ( int v = 0; v < nodenum; v++ ) 
            if ( maze[u][v] && mindis > dis[v] ) {
                cur[u] = v;
                mindis = dis[v];
            }
        if ( ( --gap[dis[u]]) == 0 ) break;
        gap[dis[u] = mindis+1]++;
        u = pre[u];
    }
    return maxflow;
}
int a[22][N], num[22];
int main()
{
    int nk, np;
    while ( scanf("%d%d", &nk, &np) == 2 ) {
        if( nk == 0 &&np == 0 ) break;
        memset( maze, 0, sizeof(maze));
        int sum = 0;
        for ( int i = 1; i <= nk; ++i ) {
            scanf("%d", &num[i]);
            maze[0][i] = num[i];
            sum += num[i];
        }
        for ( int i = nk+1; i <= nk+np; ++i ) maze[i][nk+np+1] = 1;
        int m, t;
        for ( int i = 1; i <= nk; ++i ) a[i][0] = 0;
        for ( int i = nk+1; i <= nk+np; i++) {
            scanf("%d", &m);
            while ( m-- ) {
                scanf("%d", &t);
                a[t][++a[t][0]] = i;
                maze[t][i] = 1;
            }
        }
        if( sap(0, nk+np+1, nk+np+2) != sum ) printf("0\n");
        else{
            printf("1\n");
            for (int i = 1; i <= nk; i++ ) {
                bool first = true;
                for ( int j = 1; j <= a[i][0]; ++j ) {
                    if( maze[i][a[i][j]] == 0 ) {
                        if( first ) first = false;
                        else printf(" ");
                        printf("%d", a[i][j] - nk );
                    }
                }
                printf("\n");
            }
        }
    }
    return 0;
}



内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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