poj2135Farm Tour

本文介绍了一个使用最短路径算法解决特定问题的实例:从起点到终点再返回起点,且不重复经过同一边的情况下找到最短路径。该算法通过构建特定的图模型并利用SPFA算法进行求解。

题意:从1走到n,然后从n再回到1,不走重复的边,所走的最短路。(不一定每个点都要走);

输入 a,b,c,c即为费用。设a,b边的流量为1. 用0作为源点,n+1作为汇点,0,1连的边流量为2,费用为0,n,n+1连的边流量为2,费用为0;建图。

#include<stdio.h>
#include<string.h>
#include<queue>
using namespace std;
#define inf 0x7fffffff
#define maxn 50050
struct ss
{
    int u,v,w,f;
    int next;
}edge[maxn];
int pre[maxn/2],vis[maxn/2],dis[maxn/2],head[maxn/2];
int s,t,n,top,m;
int mincost;
void add(int u,int v,int w,int f)
{
    edge[top].v=v;
    edge[top].u=u;
    edge[top].f=f;
    edge[top].w=w;
    edge[top].next=head[u];
    head[u]=top++;
}
bool spfa()
{
    int i,j;
    for(i=0;i<=n+2;i++) dis[i]=inf;
    memset(vis,0,sizeof(vis));
    queue<int>q;
    q.push(s);
    dis[s]=0;
    vis[s]=1;
    pre[s]=-1;
    while(!q.empty())
    {
        int u=q.front(); q.pop();
        vis[u]=0;
        for(j=head[u];j!=-1;j=edge[j].next)
        {
            if(edge[j].f>0&&dis[u]+edge[j].w<dis[edge[j].v])
            {
                dis[edge[j].v]=dis[u]+edge[j].w;
                pre[edge[j].v]=j;
                if(!vis[edge[j].v])
                {
                    vis[edge[j].v]=1;
                    q.push(edge[j].v);
                }
            }
        }
    }
    if(dis[t]<inf) return true;
    else return false;
}
int fun()
{
    int i;
    int minflow=inf;
    for(i=pre[t];i!=-1;i=pre[edge[i].u])
       if(minflow>edge[i].f)
          minflow=edge[i].f;
    for(i=pre[t];i!=-1;i=pre[edge[i].u])
    {
        edge[i].f-=minflow;
        edge[i^1].f+=minflow;
        mincost+=edge[i].w*minflow;
    }
    return 0;
}
void init(int u,int v,int w,int c)
{
    add(u,v,w,c);
    add(v,u,-w,0);
}
int main()
{
    //freopen("Input.txt","r",stdin);
    while(~scanf("%d%d",&n,&m))
    {
        memset(head,-1,sizeof(head));
        top=0;
        mincost=0;
        int a,b,c;
        while(m--)
        {
           scanf("%d%d%d",&a,&b,&c);
           init(a,b,c,1);
           init(b,a,c,1);
        }
        s=0;t=n+1;
        init(s,1,0,2);
        init(n,t,0,2);
        while(spfa())
          fun();
        printf("%d\n",mincost);
    }
    return 0;
}


 

【unet改进实战】基于unet+SCSE注意力机制改进实现的【自动驾驶】图像语义分割+项目说明书+数据集+完整代码 项目概述 本项目基于PyTorch框架构建了一个通用图像分割系统,全面支持二分类及多类别分割任务。 系统功能 该系统提供从数据预处理到模型训练、验证评估的全流程解决方案,具备高度可配置性和实用性: 数据处理:支持自定义图像和掩码文件格式(如.jpg、.png等),自动处理不连续标签值,集成多种数据增强技术提升模型泛化能力 模型架构:基于UNet实现,可通过参数灵活调整输入尺寸、卷积通道数等,兼容不同类别数量的分割任务(通过--num_classes参数指定) 训练功能:支持GPU加速,提供学习率、批次大小等超参数配置选项,实时记录损失曲线和评估指标(如IoU、Dice系数),自动保存最优模型权重 使用流程 按规范组织数据集(图像与掩码文件需名称对应,分别存放在images/masks子目录) 通过命令行参数启动训练,可指定: 数据路径(--data_dir) 学习率(--learning_rate) 标签映射规则(--label_mapping)等 系统输出包含: 模型权重文件(.pth) 训练曲线可视化图表 指标日志文件 注意事项 掩码图像应为单通道灰度图,标签值为整数 多分类任务推荐使用one-hot编码掩码 项目依赖主流科学计算库(PyTorch、NumPy)及可视化工具(Matplotlib),安装简便 应用领域 该系统适用于医学影像、遥感等领域的语义分割任务,兼顾易用性与扩展性。用户可通过调整UNet深度或添加注意力机制等方式进一步优化性能。 【项目说明书】包含完整代码实现与原理讲解。https://blog.youkuaiyun.com/qq_44886601/category_12858320.html
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