【BZOJ 2163】【JLOI2011】飞行路线(分层图最短路)

据说这个叫分层图最短路 是个常见套路 一般就是:有k次机会可以直接通过一条边,问起点与终点之间的最短路径

我的理解:就相当给dis和inque数组加了一维表示用了j次免费机会 然后在松弛的时候就有两种决策:1.走免费边 2.走要钱的边

8102年了 别写spfa了

#include<bits/stdc++.h>
#define N 10005
#define M 50005
#define K 12
#define INF 0x3f3f3f3f
using namespace std;
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();
}
struct Edge
{
    int to,next,val;
}edge[2*M];
int n,m,k,s,t,first[N],tot;
inline void addedge(int x,int y,int z)
{
    tot++;
    edge[tot].to=y;
    edge[tot].val=z;
    edge[tot].next=first[x];
    first[x]=tot;
}
int dis[N][K];  //到了i 用了j次免费机会的最短路
bool inque[N][K];   //到达i 用了j次免费机会的情况是否出现过. 
struct Graph
{
    int num,d,tic;
    bool operator <(const Graph &a) const
    {
        return d>a.d;
    }
};
void Dijkstra()
{
    memset(dis,0x3f,sizeof(dis));
    dis[s][0]=0;
    priority_queue<Graph> q;
    q.push((Graph){s,0,0});
    while(!q.empty())
    {
        int now=q.top().num,ti=q.top().tic;
        q.pop();
        if(inque[now][ti])  continue;
        inque[now][ti]=true;
        for(int u=first[now];u;u=edge[u].next)
        {
            int vis=edge[u].to;
            if(ti<k&&!inque[vis][ti+1]&&dis[vis][ti+1]>dis[now][ti])    //走免费路 
            {
                dis[vis][ti+1]=dis[now][ti];
                q.push((Graph){vis,dis[vis][ti+1],ti+1});
            }
            if(!inque[vis][ti]&&dis[vis][ti]>dis[now][ti]+edge[u].val)
            {
                dis[vis][ti]=dis[now][ti]+edge[u].val;
                q.push((Graph){vis,dis[vis][ti],ti});
            }
        }
    }
}
int main()
{
    read(n); read(m); read(k);
    read(s); read(t);   s++,t++;
    for(int i=1,x,y,z;i<=m;i++)
    {
        read(x); read(y); read(z);  x++,y++;
        addedge(x,y,z); addedge(y,x,z);
    }
    Dijkstra();
    int ans=INF;
    for(int i=0;i<=k;i++)   ans=min(ans,dis[t][i]);
    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