[bzoj4010][HNOI2015]菜肴制作——拓扑排序

本文介绍了一种求解有向图中最小字典序拓扑排序的方法,通过从后向前填充数字并利用反图的拓扑序,确保了序列的字典序最小。文章提供了详细的算法思路和完整的C++代码实现。

题目大意:

给定一个有向图,求拓扑序使得每一个数的位置序列的字典序最小。

思路:

要求小的数尽量靠前,考虑从后填数,也就是按照反图的拓扑序来从后往前填,既然小的数尽量往前,那么最后一个位置就尽量要大的数,依次类推可得最终的答案应该满足反过来的序列字典序最大。

#include<bits/stdc++.h>
 
#define REP(i,a,b) for(int i=a,i##_end_=b;i<=i##_end_;++i)
#define DREP(i,a,b) for(int i=a,i##_end_=b;i>=i##_end_;--i)
#define MREP(i,x) for(int i=beg[x],v;v=to[i],i;i=las[i])
#define debug(x) cout<<#x<<"="<<x<<endl
#define fi first
#define se second
#define mk make_pair
#define pb push_back
typedef long long ll;
 
using namespace std;
 
void File(){
    freopen("bzoj4010.in","r",stdin);
    freopen("bzoj4010.out","w",stdout);
}
 
template<typename T>void read(T &_){
    T __=0,mul=1; char ch=getchar();
    while(!isdigit(ch)){
        if(ch=='-')mul=-1;
        ch=getchar();
    }
    while(isdigit(ch))__=(__<<1)+(__<<3)+(ch^'0'),ch=getchar();
    _=__*mul;
}
 
const int maxn=1e5+10;
int T,n,m,ans[maxn],deg[maxn],cnt;
priority_queue<int>h;
vector<int>G[maxn];
 
void init(){
    read(n); read(m);
    cnt=0;
    memset(deg,0,sizeof(deg));
    REP(i,1,n)G[i].clear();
    while(!h.empty())h.pop();
    int u,v;
    REP(i,1,m){
        read(u),read(v);
        G[v].pb(u),++deg[u];
    }
    REP(i,1,n)if(!deg[i])h.push(i);
    while(!h.empty()){
        u=h.top(); h.pop();
        ans[++cnt]=u;
        REP(i,0,G[u].size()-1){
            v=G[u][i]; --deg[v];
            if(!deg[v])h.push(v);
        }
    }
    if(cnt!=n)return (void)puts("Impossible!");
    else DREP(i,cnt,1)printf("%d ",ans[i]);
    putchar('\n');
}
 
int main(){
    //File();
    read(T);
    while(T--)init();
    return 0;
}

转载于:https://www.cnblogs.com/ylsoi/p/10072869.html

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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