[BZOJ1834]ZJOI2010网络扩容|最大流|费用流

本文介绍了一种结合最大流与最小费用流算法解决特定问题的方法。首先使用最大流算法找出网络中最大的可能流,然后在残余网络的基础上构建新图,并利用最小费用流算法求解最优解。

差不多就是模板题嘛。。一开始先跑最大流不用多说,跑完后在残余网络上再建图,给每条原来边建一条流量无穷,费用为这条边扩容费用的边,再新建一个源点向1连流量为k费用0的边,跑费用流即可。。正确性貌似很显然。。

#include<iostream>
#include<cstdio>
#include<memory.h>
#define maxn 1005
#define M 30005
#define inf 99999999
using namespace std;
struct edge{
	int s,e,next,f,q,t;
}ed[M];
int i,n,m,k,s,e,f,q,ne=1,nd,head,tail,hh,tt,get,t,a[maxn],d[maxn],minf[maxn],inq[maxn],que[maxn*10],last[maxn],road[maxn],u[maxn];
void add1(int s,int e,int f,int q)
{
	ed[++ne].s=s;ed[ne].e=e;
	ed[ne].f=f;ed[ne].q=0;
	ed[ne].t=q;
	ed[ne].next=a[s];a[s]=ne;
}
void add2(int s,int e,int f,int q)
{
	ed[++ne].e=e;
	ed[ne].f=f;ed[ne].q=q;
	ed[ne].next=a[s];a[s]=ne;
}
bool bfs(int s,int t)
{
	int i,j;
	memset(d,0,sizeof(d));memset(u,0,sizeof(u));
	que[1]=s;head=tail=1;u[s]=1;
	while (head<=tail)
	{
		get=que[head++];
		for (j=a[get];j;j=ed[j].next)
		{
			if(ed[j].f&&!u[ed[j].e])
			{
				d[ed[j].e]=d[get]+1;
				u[ed[j].e]=1;
				que[++tail]=ed[j].e;
			} 
		}
	}
	return d[t]!=0;
}
int extend(int x,int minf,int t)
{
	int f=minf,j,del;
	if (x==t) return minf;
	for (j=a[x];j;j=ed[j].next)
		if (ed[j].f&&d[ed[j].e]==d[x]+1)
		{
			del=extend(ed[j].e,min(minf,ed[j].f),t);
			ed[j].f-=del;ed[j^1].f+=del;
			minf-=del;
			if (!minf) break;
		}
	if (f==minf) d[x]=0;
	return f-minf;
}
int dinic(int s,int t)
{
	int ans=0;
	while (bfs(s,t)) ans+=extend(s,inf,t);
	return ans;
}
int spfa(int s,int t)
{
	int i,j,to;
	for (i=0;i<=nd;i++)
		d[i]=inf,last[i]=road[i]=-1,inq[i]=0;
	head=tail=hh=tt=1;minf[s]=inf;
	que[1]=s;inq[s]=1;d[s]=0;
	while (hh<=tt)
	{
		get=que[head];
		hh++;head++;if (head>10000) head=1;
		for (j=a[get];j;j=ed[j].next)
			if (ed[j].f&&ed[j].q+d[get]<d[ed[j].e])
			{
				to=ed[j].e;
				d[to]=d[get]+ed[j].q;
				last[to]=get;road[to]=j;
				minf[to]=min(minf[get],ed[j].f);
				if (!inq[to])
				{
					tail++;tt++;if (tail>10000) tail=1;
					que[tail]=to;
					inq[to]=1;
				}
			}
		inq[get]=0;
	}
	return last[t]!=-1;
}
int fyl(int s,int t)
{
	int i,ans=0;
	while (spfa(s,t))
	{
		ans+=d[t]*minf[t];
		for (i=t;last[i]!=-1;i=last[i])
		{
			ed[road[i]].f-=minf[t];
			ed[road[i]^1].f+=minf[t];
		}
	}
	return ans;
}
int main()
{
	freopen("1834.in","r",stdin);
	scanf("%d%d%d",&n,&m,&k);
	memset(a,0,sizeof(a));nd=n;
	for (i=1;i<=m;i++)
	{
		scanf("%d%d%d%d",&s,&e,&f,&q);
		add1(s,e,f,q);add1(e,s,0,-q);
	}
	printf("%d ",dinic(1,n));
	t=ne;
	for (i=2;i<=t;i+=2) add2(ed[i].s,ed[i].e,inf,ed[i].t),add2(ed[i].e,ed[i].s,0,-ed[i].t);
	add2(0,1,k,0);add2(1,0,0,0);
	printf("%d",fyl(0,n));
}


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。常见方法有最大池化和平均池化,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,仅用于学习交使用,请勿用于商业,如有侵权请联系我删除!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)与双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的高精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠与噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估与可视化等完整程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性与鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、高校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深入理解CEEMDAN分解机制与BiLSTM建模细节,重点关注数据预处理、模型参数调优与结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
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