BZOJ-1001 [BeiJing2006]狼抓兔子

本文介绍了一种解决最小割问题的独特方法,该方法利用了平面图的特性,通过将其转化为对偶图并使用最短路径算法来高效求解。

解题思路:

这道题目是关于最小割的一道题目。

最小割的经典算法是根据最大流最小割定理,将最小割化成最大流然后用dinic算法求解

不过这题比较特殊,即使转换成最大流求最小割依旧不可能通过。因为时间和空间的双重限制,所以这道题的解法需要利用这个图的特殊性质。

给出的图是一个平面图无疑,那么利用平面图的特殊性质解决这个问题会简单很多。

将平面图转换成其对偶图,然后计算新的源点到新的汇点的最短路径即可得出结果。

然后关于这个题目,有一篇资料写的很好推荐一发: 传送门

听说这题用dijkstra+heap速度更快。

代码:

#include <queue>
#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

typedef struct node {
	int v, cap, nxt;
	node(int a = 0, int b = 0, int c = 0) {
		v = a; cap = b; nxt = c;
	}
}Edge;

const int maxn = 2100005;
const int maxm = 6100005;
const int inf = 0x3f3f3f3f;

Edge edge[maxm];
int tot, head[maxn];
int vis[maxn], dis[maxn];

void add(int u, int v, int cap) {
	edge[tot] = Edge(v, cap, head[u]);
	head[u] = tot++;
	edge[tot] = Edge(u, cap, head[v]);
	head[v] = tot++;
}
int spfa(int s, int t) {
	int x;
	Edge e;
	queue<int> q;
	while (!q.empty()) q.pop();
	memset(vis, 0, sizeof(vis));
	memset(dis, 0x3f, sizeof(dis));
	
	dis[s] = 0; vis[s] = 1; q.push(s);
	while (!q.empty()) {
		x = q.front(); q.pop(); vis[x] = 0;
		for (int i = head[x]; ~i; i = edge[i].nxt) {
			e = edge[i];
			if (dis[x] + e.cap < dis[e.v]) {
				dis[e.v] = dis[x] + e.cap;
				if (!vis[e.v]) {
					vis[e.v] = 1;
					q.push(e.v);
				}
			}
		}
	}
	return dis[t];
}
int main() {
	int n, m, u, v, cap;
	while (~scanf("%d%d", &n, &m)) {
		if (n == 1 || m == 1) {
			if (n > m) swap(n, m);
			int ans = inf;
			for (int i = 1, a; i < m; ++i) {
				scanf("%d", &a);
				ans = min(ans, a);
			}
			printf("%d\n", ans == inf ? 0 : ans);
			continue;
		}
		int s = 0, t = (m - 1) * 2 * (n - 1) + 1;
		tot = 0;
		memset(head, -1, sizeof(head));
		for (int i = 1; i <= n; ++i) {
			for (int j = 1; j <= m - 1; ++j) {
				scanf("%d", &cap);
				if (i == 1) { u = s; v = 2 * j; }
				else if (i == n) { u = (m - 1) * (n - 2) * 2 + 2 * j - 1; v = t; }
				else { v = (m - 1) * 2 * (i - 2) + 2 * j - 1; u = (m - 1) * 2 * (i - 1) + 2 * j; }
				add(u, v, cap);
				//printf("u = %d, v = %d, cap = %d\n", u, v, cap);
			}
		}
		for (int i = 1; i < n; ++i) {
			for (int j = 1; j <= m; ++j) {
				scanf("%d", &cap);
				if (j == 1) { v = t; u = (m - 1)*(i - 1) * 2 + 1; }
				else if (j == m) { u = s; v = (m - 1) * i * 2; }
				else { u = (m - 1) * (i - 1) * 2 + 2 * (j - 1); v = u + 1; }
				add(u, v, cap);
				//printf("u = %d, v = %d, cap = %d\n", u, v, cap);
			}
		}
		for (int i = 1; i < n; ++i) {
			for (int j = 1; j < m; ++j) {
				scanf("%d", &cap);
				u = (m - 1) * 2 * (i - 1) + 2 * j - 1; 
				v = u + 1;
				add(u, v, cap);
				//printf("u = %d, v = %d, cap = %d\n", u, v, cap);
			}
		}
		printf("%d\n", spfa(s, t));
	}
	return 0;
}


训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 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