最短路

Description

在每年的校赛里,所有进入决赛的同学都会获得一件很漂亮的t-shirt。但是每当我们的工作人员把上百件的衣服从商店运回到赛场的时候,却是非常累的!所以现在他们想要寻找最短的从商店到赛场的路线,你可以帮助他们吗?
 

 

Input

输入包括多组数据。每组数据第一行是两个整数N、M(N<=100,M<=10000),N表示成都的大街上有几个路口,标号为1的路口是商店所在地,标号为N的路口是赛场所在地,M则表示在成都有几条路。N=M=0表示输入结束。接下来M行,每行包括3个整数A,B,C(1<=A,B<=N,1<=C<=1000),表示在路口A与路口B之间有一条路,我们的工作人员需要C分钟的时间走过这条路。
输入保证至少存在1条商店到赛场的路线。

 

Output

对于每组输入,输出一行,表示工作人员从商店走到赛场的最短时间

 

Sample Input


 

2 1

1 2 3

3 3

1 2 5

2 3 5

3 1 2

0 0

 

Sample Output


 

3

2

Dijkstra算法求最短路

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<cstring>
using namespace std;
const int N=101;
const int INF=0x3f3f3f3f;
int G[N][N];
int vis[N];
int dis[N];
int n,m;
void Dijkstra(int x)
{
    memset(vis,0,sizeof(vis));
    for(int i=1;i<=n;i++)
       dis[i]=INF;
    dis[x]=0;
    int k;
    for(int i=1;i<=n;i++)
    {
        k=-1;
        for(int j=1;j<=n;j++)
        {
            if(!vis[j])
            {
               if(dis[j]<dis[k] || k==-1)
                  k=j;
            }
        }
        vis[k]=1;
        for(int j=1;j<=n;j++)
        {
            if(!vis[j])
            {
                if(dis[k]+G[k][j]<dis[j])
                dis[j]=dis[k]+G[k][j];
            }
        }
    }

}
int main()
{
    while(~scanf("%d%d",&n,&m)&&(n+m)!=0)
    {
        int x,y,w;
        for(int i=1;i<=n;i++)
           for(int j=1;j<=n;j++)
           {
               G[i][j]=INF;
               G[j][i]=INF;
           }
        for(int i=0;i<m;i++)
        {
            scanf("%d%d%d",&x,&y,&w);
            G[x][y]=w;
            G[y][x]=w;
        }
        Dijkstra(1);
        printf("%d\n",dis[n]);
    }

    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