2118: 墨墨的等式 最短路

本文详细介绍了使用C++实现的Dijkstra算法,用于解决单源最短路径问题。通过构建邻接表和使用优先队列优化搜索过程,提高了算法效率。

好题
既然是好题,那么我肯定不会做。
既然不会做,那就上网找题解吧。
膜Oxer神犇
突然发现还不如我去年写的spfa快

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<queue>
#define inf 10000000000000000ll
#define intinf 1000000007
#define N 500005
#define M 6000005
using namespace std;
int n,m,cnt,mn=intinf;
long long BMin,BMax;
long long dis[N];
int head[N],list[M],next[M],key[M],a[20];
bool vis[N];
inline long long read()
{
    long long 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)
{
    next[++cnt]=head[x];
    head[x]=cnt;
    list[cnt]=y;
    key[cnt]=z;
}
inline void dijkstra()
{
    priority_queue<pair<long long,int>,vector<pair<long long,int> >,greater<pair<long long,int> > > q;
    for (int i=1;i<mn;i++) dis[i]=inf;
    q.push(make_pair(0,0));
    while (!q.empty())
    {
        int x=q.top().second; q.pop();
        if (vis[x]) continue;
        vis[x]=true;
        for (int i=head[x];i;i=next[i])
            if (dis[x]+key[i]<dis[list[i]])
            {
                dis[list[i]]=dis[x]+key[i];
                q.push(make_pair(dis[list[i]],list[i]));
            }
    }
}
int main()
{
    n=read(); BMin=read()-1; BMax=read();
    for (int i=1;i<=n;i++)
        a[i]=read(),mn=min(a[i],mn);
    for (int i=0;i<mn;i++)
        for (int j=1;j<=n;j++)
            insert(i,(i+a[j])%mn,a[j]);
    dijkstra();
    long long ans=0;
    for (int i=0;i<mn;i++)
    {
        if (dis[i]<=BMin) ans-=(BMin-dis[i])/mn+1;
        if (dis[i]<=BMax) ans+=(BMax-dis[i])/mn+1;
    }
    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流程。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,仅用于学习交流使用,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