ACM/ICPC 之 最小割转网络流(POJ3469)

本文详细介绍了一种将最小割问题转化为网络流问题的解决方法,通过使用邻接表和Dinic算法,实现了一个高效的最小割求解程序。文章提供了完整的代码实现,包括节点和边的定义、增广路径搜索、最大流计算等关键步骤。

  重点:构图

 

//最小割转网络流
//邻接表+Dinic
//Time:5797Ms   Memory:6192K
#include<iostream>
#include<cstring>
#include<cstdio>
#include<algorithm>
#include<queue>
using namespace std;
#define MAXN 20005
#define MAXM 500005
#define INF 0x3f3f3f3f
struct Edge{
    int v, w, next;
    Edge(){}
    Edge(int vv, int ww, int nn):v(vv), w(ww), next(nn){}
}e[MAXM];
int n,m;
int s,t;
int h[MAXN], le;
int d[MAXN];
void add(int u, int v, int w)
{
    e[le] = Edge(v, w, h[u]);   h[u] = le++;
}
bool bfs()
{
    memset(d, -1, sizeof(d));
    queue<int> q;
    q.push(s);  d[s] = 0;
    while(!q.empty()){
        int cur = q.front();
        q.pop();
        for(int i = h[cur]; i != -1; i = e[i].next)
        {
            int v = e[i].v;
            if(d[v] == -1 && e[i].w)
            {
                d[v] = d[cur] + 1;
                if(v == t) return true;
                q.push(v);
            }
        }
    }
    return false;
}
int dfs(int x, int sum)
{
    if(x == t || sum == 0) return sum;
    int src = sum;
    for(int i = h[x]; i != -1; i = e[i].next)
    {
        int v = e[i].v;
        if(d[v] == d[x] + 1 && e[i].w){
            int tmp = dfs(v, min(e[i].w, sum));
            e[i].w -= tmp;
            e[i^1].w += tmp;
            sum -= tmp;
        }
    }
    return src - sum;
}
int Dinic()
{
    int maxFlow = 0;
    while(bfs())
        maxFlow += dfs(s, INF);
    return maxFlow;
}
int main()
{
    //freopen("in.txt", "r", stdin);
    memset(h,-1,sizeof(h));
    scanf("%d%d", &n,&m);
    s = 0;  t = n+1;
    for(int i = 1; i <= n; i++)
    {
        int a,b;
        scanf("%d%d", &a,&b);
        add(s, i, a);   add(i, s, 0);
        add(i, t, b);   add(t, i, 0);
    }
    for(int i = 1; i <= m; i++)
    {
        int u, v, w;
        scanf("%d%d%d", &u, &v, &w);
        add(u, v, w);   add(v, u, w);
    }
    printf("%d\n", Dinic());
    return 0;
}

 

转载于:https://www.cnblogs.com/Inkblots/p/5715856.html

六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)内容概要:本文档围绕六自由度机械臂的ANN人工神经网络设计展开,详细介绍了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程的理论与Matlab代码实现过程。文档还涵盖了PINN物理信息神经网络在微分方程求解、主动噪声控制、天线分析、电动汽车调度、储能优化等多个工程与科研领域的应用案例,并提供了丰富的Matlab/Simulink仿真资源和技术支持方向,体现了其在多学科交叉仿真与优化中的综合性价值。; 适合人群:具备一定Matlab编程基础,从事机器人控制、自动化、智能制造、电力系统或相关工程领域研究的科研人员、研究生及工程师。; 使用场景及目标:①掌握六自由度机械臂的运动学与动力学建模方法;②学习人工神经网络在复杂非线性系统控制中的应用;③借助Matlab实现动力学方程推导与仿真验证;④拓展至路径规划、优化调度、信号处理等相关课题的研究与复现。; 阅读建议:建议按目录顺序系统学习,重点关注机械臂建模与神经网络控制部分的代码实现,结合提供的网盘资源进行实践操作,并参考文中列举的优化算法与仿真方法拓展自身研究思路。
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