「BJWC 2012」冻结「分层图+最短路」

本文介绍了一种利用分层图解决特定最短路径问题的技巧。通过将图复制并分层,每层代表使用加速魔法的次数,实现上下层间不同权重的边连接。最终,通过Dijkstra算法在分层图中找到从起点到终点的最短路径。

题目传送门

题解

分层图是一种不错的技巧。对于这题来说,把图复制成 k + 1 k+1 k+1份,分别命名为 0 , 1 , . . . , k 0,1,...,k 0,1,...,k层。第 i i i层的含义就是已经用了 i i i次加速魔法。

读入一条边,每层连双向边,层与层之间,底层往上层连权值减半的单向边,单向意味着只能上不能下。

然后答案就是跑最短路然后取 k + 1 k+1 k+1层的 d i s ( n ) dis(n) dis(n)最小值.

#include <cstdio>
#include <vector>
#include <queue>
using namespace std;

#define P pair<int, int>
#define px first
#define py second

const int N = 5010;

int n, m, k;
int dis[N];
vector<P> G[N];

int Dijkstra() {
	priority_queue<P, vector<P>, greater<P> > Q;
	Q.push(P(dis[1] = 0, 1));
	for(int i = 2; i <= 5000; i ++) dis[i] = 1 << 29;
	for(; Q.size(); ) {
		P k = Q.top(); Q.pop(); int u = k.py;
		if(dis[u] < k.px) continue ;
		for(int i = 0; i < G[u].size(); i ++) {
			int v = G[u][i].px, w = G[u][i].py;
			if(dis[v] > dis[u] + w) {
				Q.push(P(dis[v] = dis[u] + w, v));
			}
		}
	}
	int ans = dis[n], base = n;
	for(int i = 1; i <= k; i ++, base += n)
		if(ans > dis[base + n]) ans = dis[base + n];
	return ans;
}

int main() {
	scanf("%d%d%d", &n, &m, &k);
	for(int i = 1, u, v, w; i <= m; i ++) {
		scanf("%d%d%d", &u, &v, &w);
		int base = 0;
		for(int j = 1; j <= k + 1; j ++, base += n) {
			G[base + u].push_back(P(base + v, w));
			G[base + v].push_back(P(base + u, w));
			if(base) {
				G[base - n + u].push_back(P(base + v, w >> 1));
				G[base - n + v].push_back(P(base + u, w >> 1));
			}
		}
	}
	
	printf("%d\n", Dijkstra());
	return 0;
}
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
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