noi2007 社交网络

社交网络 floy拓展

给定一个由n个点组成的无向图,求所有点的\(V(x)=\sum_{C(a,b)}^{C(a, b)(v)}(a\ne b)\),其中\(C(a, b)\)表示(a,b)这条最短路路径的条数,\(C(a, b)(v)\)表示(a,b)最短路中经过v的最短路的条数。\(n\le 100\)

这道题要分三个子问题:求出ab距离,求出ab最短路条数,求出ab最短路中,经过v的条数。如果第二个子问题求出来,用\(path[a][b]\)表示ab间最短路的条数,v经过ab最短路的条数就是\(dis[a][b]==dis[a][v]+dis[v][b]?path[a][v]*path[v][b]:0\)。那么问题就是第二个问题如何解答。

如何套到floyd上求解第二个问题呢?首先想到预处理出所有点对距离,然后外层循环最短路中的点k,里层枚举i,j,看看是否\(dis[i][k]+dis[k][j]==dis[i][j]\),但是这样会把所有最短路上的点都算一遍,重复了。

所以我们有一个方法,就是把外层循环k定义为枚举ij之间的最大节点为k的最短路,因此第一个问题和第二个问题一起解决。这样就可以和floyd完美结合了。我们从理论角度理解一下,一个最短路,不会被k之前的外层循环枚举到,因为那个时候这个最短路还没有经过k,不是联通的,\(dis[i][j]=\infty\),而更不会被k以后的外层循环枚举到,因为最短路中没有比k大的节点。世界真奇妙!

#include <cstdio>
using namespace std;

typedef long long LL;
const LL maxn=105, INF=1e9;
LL n, m, dis[maxn][maxn], path[maxn][maxn];

int main(){
    scanf("%lld%lld", &n, &m); LL x, y, z;
    for (LL i=1; i<=n; ++i)
        for (LL j=1; j<=n; ++j) dis[i][j]=INF;
    for (LL i=1; i<=m; ++i){
        scanf("%lld%lld%lld", &x, &y, &z);
        dis[x][y]=dis[y][x]=z;
        path[x][y]=path[y][x]=1;
    }
    for (LL k=1; k<=n; ++k){
        for (LL i=1; i<=n; ++i)
            for (LL j=1; j<=n; ++j){
                if (dis[i][k]+dis[k][j]>=INF) continue;
                if (dis[i][k]+dis[k][j]<dis[i][j]){
                    dis[i][j]=dis[i][k]+dis[k][j];
                    path[i][j]=path[i][k]*path[k][j];
                    continue; //注意这里
                }
                if (dis[i][k]+dis[k][j]==dis[i][j])
                    path[i][j]+=path[i][k]*path[k][j];
            }
    }
    double cnt=0;
    for (LL k=1; k<=n; ++k){
        cnt=0;
        for (LL i=1; i<=n; ++i)
            for (LL j=1; j<=n; ++j)
                if (i!=j&&dis[i][k]+dis[k][j]==dis[i][j])
                    cnt+=double(path[i][k])*path[k][j]/path[i][j];
        printf("%.3lf\n", cnt);
    }
    return 0;
}

转载于:https://www.cnblogs.com/MyNameIsPc/p/7910562.html

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
本系统采用微信小程序作为前端交互界面,结合Spring Boot与Vue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性与扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理与数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;前端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试与优化,符合商业应用的标准要求。 系统设计注重业务场景的全面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性与可维护性,遵循企业级开发标准,确保了系统的长期稳定运行与后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 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  | 博主筛选后可见
 
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