HDU - 3729 二分图匹配

本文探讨了匈牙利算法在解决二分图匹配问题中的应用,特别关注于优化匹配过程以提高效率。通过从后向前匹配策略,确保了字典序最大化的解决方案。文章还介绍了邻接矩阵优化为邻接表形式的方法,显著提升了算法运行速度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题意

很多个学生,他们说自己的排名所在的区间。
有的学生说谎了,问没有说谎的人数的最大值。
并输出没有说谎的人的序号,要求字典序尽可能大。

思路

很明显是人与名次的匹配,而题目要求输出字典序比较大的,那么我们优先匹配后面的人,也就是从后往前匹配,这样就能保证字典序最大。

一开始TLE了,因为对二分图匹配的理解有误。如果能够把要匹配的东西分成两个集合,那么在跑Hungary时,只需要跑一个集合就好了。

另外在一篇博客看到了将邻接矩阵优化的方法,将邻接矩阵优化成类似邻接表那样,让算法的速度提升了不少,详情参见代码。

代码

#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <queue>
using namespace std;
typedef long long ll;
const int MAXN = 1e5 + 1;
int G[62][MAXN];
int vis[MAXN];
int used[MAXN];
int match[MAXN];
int n;
bool dfs(int u){
    for(int i = 1; i <= G[u][0]; ++i)
    {
        int v = G[u][i];
        if(!vis[v])
        {
            vis[v] = 1;//这个名次有匹配
            if(used[v] == 0 || dfs(used[v]))
            {
                used[v] = u;//名次存着人的编号
                return true;
            }
        }
    }
    return false;
}
int Hungary(){
    int ans = 0;    //匹配数目
    memset(used, 0, sizeof(used));
    for(int i = n; i >= 1; i--)
    {
        memset(vis, 0, sizeof(vis));
        if(dfs(i))
        {
            ans++;
        }
    }
    return ans;
}
int main()
{
    int T;
    scanf("%d", &T);
    while(T--)
    {
        scanf("%d", &n);
        for(int i =1; i <= n; i++)
        {
            G[i][0] = 0;
        }
        memset(match, 0, sizeof(match));
        for(int i = 1; i <= n; i++)
        {
            int l, r;
            scanf("%d %d", &l, &r);
            for(int j = l; j <= r; j++)
            {
                G[i][++G[i][0]] = j;
            }
        }
        int ans = Hungary();
        printf("%d\n", ans);
        for(int i = 1; i <= MAXN; i++)
        {
            match[used[i]] = i;//这个名次的人 对应这个 名次
        }
        for(int i = 1; i <= n; i++)
        {
            if(match[i])
            {
                ans--;
                if(ans){
                    printf("%d ", i);
                }else{
                    printf("%d\n", i);
                }
            }
        }
    }
    return 0;
}

参考来源

博客
http://blog.sina.com.cn/s/blog_6ec5c2d00100vrm6.html

内容概要:论文提出了一种基于空间调制的能量高效分子通信方案(SM-MC),将传输符号分为空间符号和浓度符号。空间符号通过激活单个发射纳米机器人的索引来传输信息,浓度符号则采用传统的浓度移位键控(CSK)调制。相比现有的MIMO分子通信方案,SM-MC避免了链路间干扰,降低了检测复杂度并提高了性能。论文分析了SM-MC及其特例SSK-MC的符号错误率(SER),并通过仿真验证了其性能优于传统的MIMO-MC和SISO-MC方案。此外,论文还探讨了分子通信领域的挑战、优势及相关研究工作,强调了空间维度作为新的信息自由度的重要性,并提出了未来的研究方向和技术挑战。 适合人群:具备一定通信理论基础,特别是对纳米通信和分子通信感兴趣的科研人员、研究生和工程师。 使用场景及目标:①理解分子通信中空间调制的工作原理及其优势;②掌握SM-MC系统的具体实现细节,包括发射、接收、检测算法及性能分析;③对比不同分子通信方案(如MIMO-MC、SISO-MC、SSK-MC)的性能差异;④探索分子通信在纳米网络中的应用前景。 其他说明:论文不仅提供了详细的理论分析和仿真验证,还给出了具体的代码实现,帮助读者更好地理解和复现实验结果。此外,论文还讨论了分子通信领域的标准化进展,以及未来可能的研究方向,如混合调制方案、自适应调制技术和纳米机器协作协议等。
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