2879: [Noi2012]美食节 动态加边 费用流

本文探讨了一种处理大规模增广路径问题的方法,通过动态加边策略优化算法效率,适用于复杂网络流量分配场景。

做法见修车只是这题规模太大需要动态加边,就是每次增广完就加一层边,直到无法增广。

#include<iostream>
#include<cstdio>
#include<cstring>
#define inf 2147483647
#define N 100005
#define M 3000005
using namespace std;
int n,m,tot,cnt=1,T,ans;
int t[45][105];
int c[45];
int dis[N],q[N],head[N],path[N];
int next[M],list[M],from[M],cost[M],flow[M];
bool vis[N];
inline int read()
{
    int a=0,f=1; char c=getchar();
    while (c<'0'||c>'9') {if (c=='-') f=-1; c=getchar();}
    while (c>='0'&&c<='9') {a=a*10+c-'0'; c=getchar();}
    return a*f;
}
inline void insert(int x,int y,int z,int w)
{
    next[++cnt]=head[x];
    head[x]=cnt;
    from[cnt]=x;
    list[cnt]=y;
    flow[cnt]=z;
    cost[cnt]=w;
}
inline bool spfa()
{
    for (int i=0;i<=T;i++) dis[i]=inf;
    int t=0,w=1,x;
    q[1]=0; dis[0]=0; vis[0]=1;
    while (t!=w)
    {
        t=(t+1)%N;
        x=q[t];
        for (int i=head[x];i;i=next[i])
            if (flow[i]&&dis[list[i]]>dis[x]+cost[i])
            {
                dis[list[i]]=dis[x]+cost[i];
                path[list[i]]=i;
                if (!vis[list[i]])
                {
                    vis[list[i]]=1;
                    w=(w+1)%N;
                    q[w]=list[i];
                }
            }
        vis[x]=0;
    }
    return dis[T]!=inf;
}
inline void mcf()
{
    int x=inf,a,b;
    for (int i=path[T];i;i=path[from[i]])
    {
        x=min(x,flow[i]);
        if (from[i]==0)
            a=(list[i]-1)/tot+1,b=list[i]%tot+1;
    }
    for (int i=path[T];i;i=path[from[i]])
        flow[i]-=x,flow[i^1]+=x,ans+=x*cost[i];
    for (int i=1;i<=m;i++)
        insert((a-1)*tot+b,n*tot+i,1,t[i][a]*b),insert(n*tot+i,(a-1)*tot+b,0,-t[i][a]*b);;
}
int main()
{
    m=read(); n=read();
    for (int i=1;i<=m;i++)
        tot+=(c[i]=read());
    for (int i=1;i<=m;i++)
        for (int j=1;j<=n;j++)
            t[i][j]=read();
    T=n*tot+m+1;
    for (int i=1;i<=n*tot;i++)
        insert(0,i,1,0),insert(i,0,0,0);
    for (int i=1;i<=m;i++)
        insert(n*tot+i,T,c[i],0),insert(T,n*tot+i,0,0);
    for (int i=1;i<=n;i++)
        for (int j=1;j<=m;j++)
            insert((i-1)*tot+1,n*tot+j,1,t[j][i]),insert(n*tot+j,(i-1)*tot+1,0,-t[j][i]);
    while (spfa()) mcf();
    cout << ans << endl;
    return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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