【题解】codevs P2822 爱在心中(tarjan缩点)

本文介绍了一种基于图论的问题解决方法,通过使用强连通分量算法来确定图中特定条件下的爱心天使节点。文章详细阐述了如何实现Tarjan算法寻找强连通分量,并对节点进行分类计数。

该题思路类似洛谷P2341 受欢迎的牛,大部分内容可以参照上一篇题解,这里不再重复。但注意我们记录出度为0的点时还要判断它是一个点还是一个缩过的点,因为只有爱心天使(缩过的强连通分量)才能被别人爱慕。记录下有多少个爱心天使(cnt[i]!=1),并按照题意操作即可。最后输出强连通分量里的点时注意枚举1-n所有点,判断它染色后是不是出度为0的那个点,如果是就输出即可。

 

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstdlib>
#include<cmath>
using namespace std;
const int maxn=100010;
const int maxm=500010;
int n,m;
int head[maxn],to[maxm],nnext[maxm];
int tot,index,ink,q,du0,num,top;
int dfn[maxn],low[maxn],stack[maxn],color[maxn],du[maxn],cnt[maxn];
bool b[maxn],instack[maxn];
void add(int x,int y)
{
	tot++;
	nnext[tot]=head[x];
	head[x]=tot;
	to[tot]=y;
}
void tarjan(int x)
{
	dfn[x]=low[x]=++index;
	stack[++top]=x;
	b[x]=instack[x]=true;
	for(int i=head[x];i;i=nnext[i])
	{
		int y=to[i];
		if(!b[y])
		{
			tarjan(y);
			low[x]=min(low[x],low[y]); 
		} 
		else if(instack[y])
		{
			low[x]=min(low[x],low[y]);
		}
	}
	if(dfn[x]==low[x])
	{
		ink++;
		int k;
		while(k!=x)
		{
			k=stack[top];
			top--;
			instack[k]=false;
			color[k]=ink;
			cnt[ink]++;
		//	angel[++q]=k;	
		}
	}
}
int main()
{
	cin>>n>>m;
	for(int i=1;i<=m;i++)
	{
		int x,y;
		cin>>x>>y;
		add(x,y);
	}
	for(int i=1;i<=n;i++)
	{
		if(!b[i])
		{
			tarjan(i);
		}
	}
	for(int i=1;i<=n;i++)
	{
		for(int j=head[i];j;j=nnext[j])
		{
			int y=to[j];
			if(color[y]!=color[i]) du[color[i]]++;
		}
	}
	for(int i=1;i<=ink;i++)
	{
		if(du[i]==0&&cnt[i]!=1) du0++;
	}
	for(int i=1;i<=ink;i++)
		if(cnt[i]!=1) num++;
	cout<<num<<endl;
	if(du0!=1) 
	{
		cout<<"-1"<<endl;
		return 0;
	}
	else
	{
		for(int i=1;i<=ink;i++)
		{
			if(du[i]==0)
			{
				for(int j=1;j<=n;j++)
				{
					if(color[j]==i)
					{
						cout<<j<<' ';
					}
				}
				return 0;
			}
		}
		cout<<"-1"<<endl;
		return 0;
	}
	return 0;
}

(下图为真天使 立华奏)

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重讲解了如何利用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、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