Desert King (POJ - 2728 ,最优比率生成树)

本文介绍了一种结合0/1分数规划与Prim算法的创新方法,用于解决图论中寻找最大收益生成树的问题。在给定的无向图中,每条边拥有收益和成本,目标是找到一棵生成树,使得总收益最大化。通过调整成本和收益的比例,使用Prim算法检查生成树的可行性,最终确定最优解。

一.题目链接:

POJ-2728

二.题目大意:

给定一张 N 个点、M 条边的无向图,图中每条边 e 都有一个收益 Ce 和 一个成本 Re。

求该图的一颗生成树 T,最大化 \frac{\sum_{e\in T} Ce}{\sum_{e\in T} Re}

三.分析:

0/1分数规划 + prim check

详见代码.

四.代码实现:

#include <bits/stdc++.h>
using namespace std;

const int M = (int)1e3;
const double eps = 1e-6;

int n;

int x[M + 5], y[M + 5], z[M + 5];

double dis[M + 5][M + 5];
double cost[M + 5][M + 5];

double d[M + 5];
bool vis[M + 5];

double cal_dis(int x1, int y1, int x2, int y2)
{
    return sqrt((x1 - x2) * (x1 - x2) + (y1 - y2) * (y1 - y2));
}

bool prim(double mid)
{
    for(int i = 1; i <= n; ++i)
    {
        d[i] = cost[1][i] - dis[1][i] * mid;
        vis[i] = 0;
    }
    d[1] = 0;
    vis[1] = 1;
    for(int i = 1; i < n; ++i)
    {
        int x = 0;
        for(int j = 1; j <= n; ++j)
        {
            if(!vis[j] && (x == 0 || d[j] < d[x]))
                x = j;
        }
        vis[x] = 1;
        for(int y = 1; y <= n; ++y)
        {
            if(!vis[y])
                d[y] = min(d[y], cost[x][y] - dis[x][y] * mid);
        }
    }
    double sum = 0;
    for(int i = 1; i <= n; ++i)
        sum += d[i];
    return sum >= 0;
}

int main()
{
    while(~scanf("%d", &n) && n)
    {
        for(int i = 1; i <= n; ++i)
            scanf("%d %d %d", &x[i], &y[i], &z[i]);
        for(int i = 1; i <= n; ++i)
        {
            for(int j = 1; j <= n; ++j)
            {
                dis[i][j] = cal_dis(x[i], y[i], x[j], y[j]);
                cost[i][j] = fabs(z[i] - z[j]);
            }
        }
        double l = 0, r = 100.0, mid;
        while(r - l > eps)
        {
            mid = (l + r) / 2;
            if(prim(mid))
                l = mid;
            else
                r = mid;
        }
        printf("%.3f\n", r);
    }
    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同来源的观测信息,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,从而综合利用不同数据的互补信息,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,本研究进一步对不同功能区域(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