【bzoj2654】tree(二分+MST)

本文探讨了一种使用二分法优化最小生成树(MST)问题的算法,通过为特定边赋予额外权重来减少选择的边数,最终找到满足条件的最小生成树。文章详细介绍了算法流程,包括读取输入、定义结构体、实现并查集、比较函数、检查函数等,并给出了完整的C++代码实现。

好神奇的一道题

我们发现给白边加上权值后 跑MST后 选到的白边就越少

然后就二分这个加上的权值

不过边界好像有点恶心?不过没关系 思想最重要

#include<bits/stdc++.h>
#define N 50005
#define M 100005
using namespace std;
struct Edge
{
    int from,to,color,val;
}edge[M];
template <class T>
inline void read(T &x)
{
    x=0;
    static char ch=getchar();
    while(ch<'0'||ch>'9')   ch=getchar();
    while(ch>='0'&&ch<='9') x=x*10+ch-'0',ch=getchar();
}
int n,m,need,ans;
int l,r,father[N];
inline int getfather(int x)
{
    if(father[x]==x)    return x;
    father[x]=getfather(father[x]);
    return father[x];
}
inline bool cmp(const Edge &x,const Edge &y)
{
    if(x.val==y.val)    return x.color<y.color;
    return x.val<y.val;
}
inline bool check(int del)
{
    for(int i=1;i<=m;i++)   if(edge[i].color==0)    edge[i].val+=del;
    for(int i=1;i<=n;i++)   father[i]=i;
    sort(edge+1,edge+m+1,cmp);
    int white=0,sum=0,cnt=0,flag;
    for(int i=1;i<=m;i++)
    {
        int fx=getfather(edge[i].from),fy=getfather(edge[i].to);
        if(fx!=fy)
        {
            father[fx]=fy;  sum+=edge[i].val; cnt++;
            if(edge[i].color==0)    white++;
            if(cnt==n-1)
            {
                if(white>=need) ans=sum-del*need,flag=1;
                else flag=0;
                break;
            }
        }
    }
    for(int i=1;i<=m;i++)   if(edge[i].color==0)    edge[i].val-=del;
    return flag;
}
int main()
{
    read(n); read(m); read(need);
    for(int i=1;i<=m;i++)
    {
        read(edge[i].from); read(edge[i].to); edge[i].from++; edge[i].to++;
        read(edge[i].val);  read(edge[i].color);
        r=max(r,edge[i].val+1);
    }
    l=-r;
    while(l<r)
    {
        int mid=(l+r)/2;
        if(check(mid)) l=mid+1;
        else r=mid;
    }
    cout<<ans;
    return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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