LightOJ1074 SPFA判负环

本文详细介绍了一种改进的最短路径算法——SPFA(Shortest Path Faster Algorithm),并提供了完整的C++实现代码。该算法适用于带负权边的加权有向图,并通过循环检测来判断是否存在负环。此外,还介绍了如何利用该算法解决具体问题。

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

不怎么会SPFA,当模板用吧

复杂度O(ke)k约等于2

用cir[]数组纪录有没有负环

#include <stdio.h>
#include <string.h>
#include <iostream>
#include <algorithm>
#include <vector>
#include <queue>
#include <set>
#include <map>
#include <string>
#include <math.h>
using namespace std;
#define FOR(i,j,k) for(int i=j;i<=k;i++)
const int N = 220;
const int inf= 0x3f3f3f3f;
struct Edge
{
    int v,cost;
    Edge(int _v = 0, int _cost = 0):v(_v),cost(_cost){}
};
vector<Edge>E[N];
void addedge(int u,int v,int w)
{
    E[u].push_back(Edge(v,w));
}
bool vis[N];
int cnt[N];
int d[N];
bool cir[N];
int n;
void dfs(int u)
{
    cir[u] = true;
    for(int i = 0;i < E[u].size();i++)
        if(cir[E[u][i].v]==0)
            dfs(E[u][i].v);
}

void SPFA(int start)
{
    memset(vis,false,sizeof(vis));
    for(int i = 1;i <= n;i++)
        d[i]=inf;
    vis[start]=true;
    d[start] = 0;
    queue<int>que;
    while(!que.empty())
        que.pop();
    que.push(start);
    memset(cnt,0,sizeof(cnt));
    cnt[start] = 1;
    memset(cir,false,sizeof(cir));
    while(!que.empty())
    {
        int u = que.front();
        que.pop();
        vis[u] = false;
        for(int i = 0;i < E[u].size();i++)
        {
            int v = E[u][i].v;
            if(cir[v])continue;
            if(d[v] > d[u] + E[u][i].cost)
            {
                d[v] = d[u] + E[u][i].cost;
                if(vis[v]==0)
                {
                    vis[v] = true;
                    que.push(v);
                    cnt[v]++;
                    if(cnt[v]>n)
                    dfs(v);
                }
            }
        }
    }
}
int a[N];
int main()
{
    int t;
    cin>>t;
    FOR(z,1,t)
    {
        scanf("%d",&n);
        FOR(i,1,n)
            E[i].clear();
        FOR(i,1,n)
            scanf("%d",&a[i]);
        int m;
        scanf("%d",&m);
        while(m--)
        {
            int a1,b1;
            scanf("%d%d",&a1,&b1);
            addedge(a1,b1,(a[b1]-a[a1])*(a[b1]-a[a1])*(a[b1]-a[a1]));
        }
        SPFA(1);
        scanf("%d",&m);
        int u;
        printf("Case %d:\n",z);
        while(m--)
        {
            scanf("%d",&u);
            if(d[u]==inf||d[u]<3||cir[u]==1)
                cout<<"?"<<endl;
            else cout<<d[u]<<endl;
        }
    }
    return 0;
}

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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