POJ1364.King(差分约束系统)

本文介绍了一种利用差分约束系统解决特定问题的方法,并通过SPFA算法判断是否存在符合条件的序列。针对一系列数学关系,文章详细阐述了如何转换为差分约束形式并进行求解。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

有一个长度为 n 的序列,有 m 个关系:每次给你三个数 a, b, k,和一个符号 δ ( < 或者 > ) 来表示 ∑Xi (a <= i <= a + b) < k 或者 ∑Xi (a <= i <= a + b) > k,问存不存在满足这 m 个关系的序列。

首先我们来观察这些关系,∑Xi (a <= i <= a + b) 可以用前缀和来表示:sum[ b ] - sum[ a - 1 ]。那么关系式就变成了 sum[ b ] - sum[ a - 1 ] > k,sum[ a - 1 ] - sum[ b ] > -k (sum[  b ] - sum[ a - 1 ] < k ),但是还是和差分约束模型不太一样(差分约束是 <=>=),只需要把关系式的右边变成 k - 1 或者 -k - 1 就可以了。然后 spfa 判断负环,如果有就说明不存在,反之亦然。

#include <cstdio>
#include <cstring>

using namespace std;

const int MAX_N = 150;

struct node{
	int v, w, next;
}E[MAX_N << 1];
int head[MAX_N], top = 0;
inline void add(int u, int v, int w)
{
	E[++ top].v = v; E[top].w = w; E[top].next = head[u]; head[u] = top;
} 

int n, m;
int que[MAX_N], t[MAX_N], dis[MAX_N];
bool inq[MAX_N]; 

bool spfa(int s)
{
	memset(dis, 127, sizeof(dis)); memset(que, 0, sizeof(que));
	memset(inq, 0, sizeof(inq)); memset(t, 0, sizeof(t));
	int begin = 0, end = 1;
	que[begin] = s; dis[s] = 0; inq[s] = 1; t[s] ++;
	while (begin != end){
		int x = que[begin];
		for (int i = head[x]; i; i = E[i].next){
			if (dis[E[i].v] > dis[x] + E[i].w){
				dis[E[i].v] = dis[x] + E[i].w;
				//printf("%d\n", E[i].v);
				if (!inq[E[i].v]){
					t[E[i].v] ++;
					if (t[E[i].v] > n + 2) return 0; 
					que[end] = E[i].v; end ++;
				}
			}
		}
		begin = (begin + 1) % MAX_N;
		inq[x] = 0;
	}
	return 1;
}

void init()
{
	memset(head, 0, sizeof(head)); top = 0;
	int u, v, w; char s[10];
	for (int i = 1; i <= m; i ++){
		scanf("%d%d%s%d", &u, &v, s + 1, &w);
		if (s[1] == 'g') add(u + v + 1, u, -w - 1);
			else add(u, u + v + 1, w - 1);
	}
	for (int i = 1; i <= n + 1; i ++) add(0, i, 0);
}

void doit()
{
	if (spfa(0)) printf("lamentable kingdom\n");
		else printf("successful conspiracy\n");
}

int main()
{
	while (scanf("%d", &n) != EOF){
		if (n == 0) break;
		scanf("%d", &m);
		init();
		doit();
	}
	return 0;
}


基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
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