【SSL_P1493】货员的难题

本文介绍了一个使用深度优先搜索(DFS)解决货员寻找最短路径的问题。在一个包含多个村庄的乡间,货员需要从商店出发,遍历所有村庄并返回起点,目标是最小化总行程距离。通过DFS算法,我们实现了路径搜索,最终找到了最优解。

货员的难题


PS:本题解只是为了学习简单图论而做的,学校OJ数据较水,本代码在洛谷开O2只能过九个点。
题目链接:货员的难题(SSL)
题目链接:货员的难题(洛谷)

题目描述

某乡有nnn个村庄(1<n≤201),有一个售货员,他要到各个村庄去售货,各村庄之间的路程s(0<s<1000)是已知的,且A村到B村与B村到A村的路大多不同。为了提高效率,他从商店出发到每个村庄一次,然后返回商店所在的村,假设商店所在的村庄为1,他不知道选择什么样的路线才能使所走的路程最短。请你帮他选择一条最短的路。

输入格式

村庄数nnn和各村之间的路程(均是整数)。

输出格式

最短的路程。

输入输出样例

输入

3
0 2 1
1 0 2
2 1 0

输出

3

解题思路

这道题本作者用的是DFS,反正搜啊搜就是了。

参考程序

#include<iostream>
using namespace std;
int n,a[50][50],b[50],hd[41];
int minn=0x3f3f3f3f,tot=0;
struct abc{
	int x,y,next,s;
}f[1010];
void add(int i,int j,int a)
{
	tot++;
	f[tot].x=i;
	f[tot].y=j;
	f[tot].next=hd[i];
	f[tot].s=a;
	hd[i]=tot;
}
void dfs(int now,int ans,int sh)
{
	if(now==1&&sh>n)
	{
		if(ans<minn)
			minn=ans;
		return;
	}
	if(b[1]==1)
		return;
	if(ans+n-sh+1>=minn)
		return;
	for(int i=hd[now];i;i=f[i].next)
	{
		if(!b[f[i].y])
		{
			b[f[i].y]=1;
			dfs(f[i].y,ans+f[i].s,sh+1);
			b[f[i].y]=0;
		}
	}
}
int main()
{
	cin>>n;
	for(int i=1;i<=n;i++) 
		for(int j=1;j<=n;j++)
		{
			int a;
			cin>>a;
			if(a)
				add(i,j,a);
		}
	dfs(1,0,1);
	cout<<minn<<endl;
}
内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
评论 1
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