MOOC PTA 08-图8 How Long Does It Take

本文介绍了一种使用邻接矩阵表示有向无环图(DAG),并通过拓扑排序算法来解决任务调度问题的方法。该算法首先构建图的邻接矩阵,然后找出所有入度为0的顶点,并对其进行处理,最终确定整个工程中各个任务的最晚完成时间。

http://pta.patest.cn/pta/test/18/exam/4/question/631

构建图的邻接矩阵,寻找入度为0的顶点,将其压入队列,出队列时对其相连接的顶点入度减1,更新每个顶点的最大时间。

刚开始提交 3和5 测试点过不去 是因为我以为输出最后一个顶点就是工程的最后一个顶点

#include<vector>
#include<iostream>
#include<algorithm>
#include<cstdio>
#include<cstring>
#include<cctype>
#include<cmath>
#include<cstdlib>
#include<queue>
using namespace std;
#define MAXnum 100
#define INF 100001
#define max(a,b) a>b?a:b
int Nv;//顶点个数
int Ne;//边的个数
int G[MAXnum][MAXnum];//图的邻接矩阵
int indegree[MAXnum];//入度计算
int time1[MAXnum];//时间计算
int countv;
void BuildGraph()
{
    int i,j,v1,v2,w;
    scanf("%d",&Nv);
    for(i=0; i<Nv; i++)
        for(j=0; j<Nv; j++)
            G[i][j]=-1;
    for( i=0; i<Nv; i++)
    {
        indegree[i]=0;
        time1[i]=0;
    }

    scanf("%d",&Ne);
    for(i=0; i<Ne; i++)
    {
        scanf("%d%d%d",&v1,&v2,&w);

        G[v1][v2]=w;
        indegree[v2]++;
        time1[v2]=max(w,time1[v2]);
    }

}
void topsort()
{
    queue<int> q;
    int v;
    int i;
    countv=0;
    
    for(i=0; i<Nv; i++)
        if(!indegree[i])
            q.push(i);


    while(!q.empty())
    {
        v=q.front();
        countv++;
        q.pop();
        
        for( i=0; i<Nv; i++)
            if(G[v][i]!=-1&&indegree[i]>0)
            {
                if(--indegree[i]==0)
                    q.push(i);
                    
                time1[i]=max(G[v][i]+time1[v],time1[i]);
            }
    }
    
    if(countv<Nv)
        printf("Impossible\n");
    else
    {
        int max1=-1;
        for(i=0; i<Nv; i++)
            if(max1<time1[i])
                max1=time1[i];
        printf("%d\n",max1);
    }
}
int main()
{
    BuildGraph();
    topsort();
    return 0;
}




训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入像进行扫描。每个滤波器在像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括像分类、目标检测、语义分割、人脸识别、像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 5
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