POJ2375 Cow Ski Area

本文介绍了一种利用强连通分量解决地图遍历问题的方法,通过建立高度图并运用Tarjan算法进行缩点处理,最终求解使任意两点可达所需的最小连接数量。

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

题意:给出一张地图,一只牛可以从高度大的地方走到高处小的地方,高度相同的地方随便走,问最少连接几个块,可以使牛从任何一个点走到任何一个点。。

强连通,建图很简单,就是同样高度建个双相边,有高度差是单向边(高度大到高度小),然后tarjan缩点,然后统计缩点之后每个点的入度和出度,统计出度为0和入度为0的点,取这两个中的最大值。。。如果强连通分量只有一个,整张图都是连通的,输出0。。

然后就是RE了。。。。discuss里说交C++,交了C++。。居然TLE。。。然后就郁闷了。。。最后把vector换成邻接表就过了900+ms...

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<stack>
using namespace std;
const int MAXN=510;
const int dir[4][2]={1,0,-1,0,0,1,0,-1};
int mp[MAXN][MAXN];
int n,m;
int sc_cnt,dfs_clock,sccno[MAXN*MAXN],pre[MAXN*MAXN],low[MAXN*MAXN];
stack<int> S;
struct EDGE
{
	int v,next;
}edge[MAXN*MAXN*8];
int head[MAXN*MAXN],size;
void init()
{
	memset(head,-1,sizeof(head));
	memset(sccno,0,sizeof(sccno));
	memset(pre,0,sizeof(pre));
	sc_cnt=dfs_clock=size=0;
}
void add_edge(int u,int v)
{
	edge[size].v=v;
	edge[size].next=head[u];
	head[u]=size++;
}
void tarjan(int u)
{
	low[u]=pre[u]=++dfs_clock;
	S.push(u);
	for(int i=head[u];i!=-1;i=edge[i].next)
	{
		int v=edge[i].v;
		if(!pre[v])
		{
			tarjan(v);
			low[u]=min(low[u],low[v]);
		}
		else if(!sccno[v])
		{
			low[u]=min(low[u],pre[v]);
		}
	}
	if(low[u]==pre[u])
	{
		sc_cnt++;
		while(1)
		{
			int x=S.top();
			S.pop();
			sccno[x]=sc_cnt;
			if(x==u)
				break;
		}
	}
}
int in[MAXN*MAXN],out[MAXN*MAXN];
int solve()
{
	int i,j,k;
	int u,v;
	for(i=0;i<n;i++)
	{
		for(j=0;j<m;j++)
		{
			for(k=0;k<4;k++)
			{
				int nx=i+dir[k][0];
				int ny=j+dir[k][1];
				if(nx<0||ny<0||nx>=n||ny>=m)
					continue;
				u=i*m+j;
				v=nx*m+ny;
				if(mp[i][j]>=mp[nx][ny])
				{
					add_edge(u,v);
				}
				if(mp[i][j]<=mp[nx][ny])
				{
					add_edge(v,u);
				}
			}
		}
	}
	for(i=0;i<n*m;i++)
	{
		if(!pre[i])
			tarjan(i);
	}
	if(sc_cnt==1)
	{
		return 0;
	}
	memset(in,0,sizeof(in));
	memset(out,0,sizeof(out));
	for(u=0;u<n*m;u++)
	{
		for(i=head[u];i!=-1;i=edge[i].next)
		{
			int v=edge[i].v;
			if(sccno[u]!=sccno[v])
			{
				out[sccno[u]]++;
				in[sccno[v]]++;
			}
		}
	}
	int a=0,b=0;
	for(i=1;i<=sc_cnt;i++)
	{
		if(!in[i])
			a++;
		if(!out[i])
			b++;
	}
	return max(a,b);
}
int main()
{
	int i,j;
	while(scanf("%d%d",&m,&n)==2)
	{
		init();
		for(i=0;i<n;i++)
		{
			for(j=0;j<m;j++)
			{
				scanf("%d",&mp[i][j]);
			}
		}
		printf("%d\n",solve());
	}
}


资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数学理论深化、机器学习兴起,直至当下深度学习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器学习、模式识别和深度学习等技术。深度学习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,学习视觉模式和规律;最终用于模式识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医学影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方式 。
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