POJ - 2983 Is the Information Reliable 【spfa解决差分约束问题】

本文探讨了差分约束问题及其在不等式约束下的建图方法,特别讲解了如何处理等于约束条件,并通过SPFA算法求解。介绍了如何构建连通图,确保每条边能够得到松弛,以实现可靠性和连通性的判断。

题目链接:http://poj.org/problem?id=2983

原理在上篇博客已经讲过了,这里把要注意的讲下。

1,因为差分约束问题都是不等式约束,以不等式为基础给题目建图,但是如果题目给出的约束条件是 d[u] - d[v] == w,怎么处理?

w <= d[u] - d[v] <= w,这样就能表示d[u] - d[v] == w这个条件,一条正向正权值,一条反向负权值。

2,因为之前的题目做习惯了,习惯性的给点从1到N的顺序依次加一条权值为0的边,让构建出来的图是一个连通图,因为题目的点虽然是直线排列的,但是排列的顺序不是从1到N的,所以要么把顺序记下来,再根据顺序依次加一条权值为0的边,要么就是把所有的点都加到队列里面也是一样的,虽然图不连通,但是点全加到队列里面能保证每一条边都能够松弛得了。

#include <iostream>
#include <queue>
#include <cstring>
#include <string>
#include <map>
#include <cstdio>
#include <cmath>
#include <algorithm>
#include <vector>

using namespace std;

#define lson (cur<<1)
#define rson (cur<<1|1)
typedef long long ll;
typedef pair<int, int> pii;

const int INF = 0x3f3f3f3f;
const long long LINF = 1e18;
const int Maxn = 1e5+10;
const int Mod = 1e9+7;

struct Edge {
    int v, w;
    Edge(int x = 0, int y = 0):v(x), w(y) {};
} edge[Maxn*2+1000];

int d[1010], cnt[1010], Hash[Maxn<<1];
vector <int> G[1010];
bool vis[1010];

bool spfa(int E, int n) {
    memset(vis, true, sizeof(vis));
    memset(cnt, 0, sizeof(cnt));
    memset(d, 0, sizeof(d));
    queue<Edge> qu;
    for(int i = 0; i < n; ++i)
        qu.push(Edge(Hash[i], 0));

    while(!qu.empty()) {
        int v = qu.front().v; qu.pop();
        vis[v] = false;

        for(int i = 0; i < G[v].size(); ++i) {
            Edge &e = edge[G[v][i]];
            if(d[e.v] < d[v]+e.w) {
                d[e.v] = d[v]+e.w;
                if(!vis[e.v]) {
                    vis[e.v] = true;
                    cnt[e.v]++;
                    if(cnt[e.v] > E) return false;
                    qu.push(Edge(e.v, d[e.v]));
                }
            }
        }
    }
    return true;
}

int main(void)
{
    int N, M;
    while(scanf("%d%d", &N, &M) != EOF) {
        for(int i = 0; i <= N; ++i) G[i].clear();
        memset(Hash, 0, sizeof(Hash));
        int E = 0, n = 0, u, v, w;
        char ch;
        for(int i = 0; i < M; ++i) {
            scanf(" %c", &ch);
            if(ch == 'P') {
                scanf("%d%d%d", &u, &v, &w);
                edge[E].v = v; edge[E].w = w;
                G[u].push_back(E);
                E++;
                edge[E].v = u; edge[E].w = -w;
                G[v].push_back(E);
                E++;
                Hash[n++] = u; Hash[n++] = v;
            } else {
                scanf("%d%d", &u, &v);
                edge[E].v = v; edge[E].w = 1;
                G[u].push_back(E);
                E++;
                Hash[n++] = u; Hash[n++] = v;
            }
        }
        sort(Hash, Hash+n);
        n = unique(Hash, Hash+n)-Hash;

        if(spfa(E, n)) printf("Reliable\n");
        else printf("Unreliable\n");
    }
    return 0;
}

 

 

个人防护装备实例分割数据集 一、基础信息 • 数据集名称:个人防护装备实例分割数据集 • 图片数量: 训练集:4524张图片 • 训练集:4524张图片 • 分类类别: 手套(Gloves) 头盔(Helmet) 未戴手套(No-Gloves) 未戴头盔(No-Helmet) 未穿鞋(No-Shoes) 未穿背心(No-Vest) 鞋子(Shoes) 背心(Vest) • 手套(Gloves) • 头盔(Helmet) • 未戴手套(No-Gloves) • 未戴头盔(No-Helmet) • 未穿鞋(No-Shoes) • 未穿背心(No-Vest) • 鞋子(Shoes) • 背心(Vest) • 标注格式:YOLO格式,适用于实例分割任务,包含边界框或多边形坐标。 • 数据格式:图片数据,来源于监控或相关场景。 二、适用场景 • 工业安全监控系统开发:用于自动检测工人是否佩戴必要的个人防护装备,提升工作场所安全性,减少工伤风险。 • 智能安防应用:集成到监控系统中,实时分析视频流,识别PPE穿戴状态,辅助安全预警。 • 合规性自动化检查:在建筑、制造等行业,自动检查个人防护装备穿戴合规性,支持企业安全审计。 • 计算机视觉研究:支持实例分割、目标检测等算法在安全领域的创新研究,促进AI模型优化。 三、数据集优势 • 类别全面:覆盖8种常见个人防护装备及其缺失状态,提供丰富的检测场景,确保模型能处理各种实际情况。 • 标注精准:采用YOLO格式,每个实例都经过精细标注,边界框或多边形坐标准确,提升模型训练质量。 • 真实场景数据:数据来源于实际环境,增强模型在真实世界中的泛化能力和实用性。 • 兼容性强:YOLO格式便于与主流深度学习框架(如YOLO、PyTorch等)集成,支持快速部署和实验。
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