hrbust 1750 Eternal Victory(树+广搜 类似找树的直径...)

本文介绍了一种算法,该算法通过计算图中所有顶点间的最短路径来找到最长路径。具体实现包括图的表示、最短路径计算及最长路径确定的方法。适用于解决特定类型的问题。

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

从1点出发每个点都走到 求最少要走多少 权值和*2-最长路就是答案   

#include <iostream>
#include <algorithm>
#include <cstring>
#include <cstdio>
#define MAXN 211115
#define MAXM 211111
#define INF 0x1f1f1f1f
using namespace std;
int n, m;
struct EDGE
{
    int v, next;
    int w;
}edge[MAXN];
int head[MAXN], e;
int q[MAXN], vis[MAXN];
long long d[MAXN];
void init()
{
    e = 0;
    memset(head, -1, sizeof(head));
}
void add(int u, int v, int w)
{
    edge[e].v = v;
    edge[e].w = w;
    edge[e].next = head[u];
    head[u] = e++;
}
void bfs(int src)
{
    for(int i = 1; i <= n; i++) {vis[i] = 0, d[i] = INF;}
    int h = 0, t = 0;
    q[t++] = src;
    vis[src] = 1;
    d[src] = 0;
    while(h < t)
    {
        int u = q[h++];
        for(int i = head[u]; i != -1; i = edge[i].next)
        {
            int v = edge[i].v;
            int w = edge[i].w;
            if(d[u] + w < d[v])
            {
                d[v] = d[u] + w;
                if(!vis[v])
                {
                    q[t++] = v;
                    vis[v] = 1;
                }
            }
        }
    }
}
int main()
{
    int u, v, w;
    long long sum;
    while(scanf("%d", &n)!=EOF)
    {
        sum=0;
        init();
        for(int i = 1; i <= n-1; i++)
        {
            scanf("%d%d%d", &u, &v, &w);
            add(u, v, w);
            add(v, u, w);
            sum=sum+w;
        }
        bfs(1);
        int pos = -1;
        long long mx = -1;
        for(int i = 1; i <= n; i++)
            if(d[i] > mx&&d[i]<INF)
          //  if(d[i] > mx)
            {
                mx = d[i];
                pos = i;
            }
        printf("%lld\n", sum*2-mx);
    }
    return 0;
}


内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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