poj 3422 费用流

本文探讨了一个从矩阵左上角到右下角的路径问题,目标是在进行k次行走后获得的最大收益。通过构建最大费用最大流网络模型,详细解释了建图过程,并解决了数据范围设置不当导致的性能问题。文中提供了改进后的代码实现,包括如何正确处理收益清零和优化算法以避免超时。

传送门

前几天发的博客,后来想想当时方法有误,现已更正。

题意:给你一个n*n的矩阵,从左上到右下走k次,每走一次可以得到路径上的值,并且该值清0(就是只能得到1次),问k次后最大能多少。

思路:最大费用最大流,对于网络流问题,建图可以说是最关键的步骤。我大体画一下我的建图吧。(图中同一点拆点后少边,没画)


首先矩阵的点我是拆成俩点的,中间那路径上好记录它的值及这里的费用,然后其他如题意。

当然这题取过后要清0,我是这样处理的,如图1到10建两条边,一条容量为1,cost为该点的值,一条容量为k(源点或汇点控制好容量,这里其实大于等于k-1就可以),cost为0,当然要分别建反边。

吐槽:再也不相信题面了,数据范围应该远大于题面的范围,而且数组开小不是RE是TLE。WQNMLGB。一开始TLE,看了discuss有人说这,改大就过了。


#include<iostream>
#include<cstdio>
#include<cstring>
#include<queue>
#define maxn 1<<28
using namespace std;
int fst[60000],next[600000],node[600000],cost[600000],c[600000];
int a[1000][1000],f[600000],pre[60000],lu[60000];
int ednum;
int n,k;
int d[60000];
bool inq[60000];
void init()
{
    ednum=-1;
    memset(fst,-1,sizeof(fst));
    for(int i=1; i<=n; i++)
    {
        for(int j=1; j<=n; j++)
        {
            scanf("%d",&a[i][j]);
            next[++ednum]=fst[(i-1)*n+j];
            fst[(i-1)*n+j]=ednum;
            node[ednum]=n*n+(i-1)*n+j;
            cost[ednum]=a[i][j];
            c[ednum]=1;

            next[++ednum]=fst[n*n+(i-1)*n+j];
            fst[n*n+(i-1)*n+j]=ednum;
            node[ednum]=(i-1)*n+j;
            cost[ednum]=-a[i][j];
            c[ednum]=0;

            next[++ednum]=fst[(i-1)*n+j];
            fst[(i-1)*n+j]=ednum;
            node[ednum]=n*n+(i-1)*n+j;
            cost[ednum]=0;
            c[ednum]=k;

            next[++ednum]=fst[n*n+(i-1)*n+j];
            fst[n*n+(i-1)*n+j]=ednum;
            node[ednum]=(i-1)*n+j;
            cost[ednum]=-maxn;
            c[ednum]=0;
            if(i+1<=n)
            {
                next[++ednum]=fst[n*n+(i-1)*n+j];
                fst[n*n+(i-1)*n+j]=ednum;
                node[ednum]=i*n+j;
                cost[ednum]=0;
                c[ednum]=k;

                next[++ednum]=fst[i*n+j];
                fst[i*n+j]=ednum;
                node[ednum]=n*n+(i-1)*n+j;
                cost[ednum]=0;
                c[ednum]=0;
            }
            if(j+1<=n)
            {
                next[++ednum]=fst[n*n+(i-1)*n+j];
                fst[n*n+(i-1)*n+j]=ednum;
                node[ednum]=(i-1)*n+j+1;
                cost[ednum]=0;
                c[ednum]=k;

                next[++ednum]=fst[(i-1)*n+j+1];
                fst[(i-1)*n+j+1]=ednum;
                node[ednum]=n*n+(i-1)*n+j;
                cost[ednum]=0;
                c[ednum]=0;
            }
        }
    }
    next[++ednum]=fst[0];
    fst[0]=ednum;
    node[ednum]=1;
    cost[ednum]=0;
    c[ednum]=k;
    ednum++;

    next[++ednum]=fst[2*n*n];
    fst[2*n*n]=ednum;
    node[ednum]=2*n*n+1;
    cost[ednum]=0;
    c[ednum]=k;
    ednum++;
}
int solve(int s,int t)
{
    int ans=0;
    memset(f,0,sizeof(f));
    while(1)
    {
        queue<int>q;
        memset(d,-1,sizeof(d));
        memset(inq,0,sizeof(inq));
        d[0]=0;
        q.push(0);
        inq[0]=1;
        while(!q.empty())
        {
            int u=q.front();
            q.pop();
            inq[u]=0;
            for(int i=fst[u];i!=-1;i=next[i])
            {
                int v=node[i];
                if(c[i]>f[i]&&d[v]<d[u]+cost[i])
                {
                    pre[v]=u;
                    lu[v]=i;
                    d[v]=d[u]+cost[i];
                    if(!inq[v])
                    {
                        q.push(v);
                        inq[v]=1;
                    }
                }
            }
        }
        if(d[t]==-1)break;
        for(int i=t;i!=s;i=pre[i])
        {
            int v=lu[i];
            f[v]++;
            f[v^1]--;
        }
        ans+=d[t];
    }
    return ans;
}
int main()
{
    scanf("%d%d",&n,&k);
    init();
    cout<<solve(0,2*n*n+1)<<endl;
    return 0;
}



内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化并行计算等改进策略。; 适合人群:具备一定Python编程基础优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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