hrbust 1716 双狙人解题报告(最小费用流)

本文介绍了一种利用最小费用流算法解决特定路径寻找问题的方法。通过拆点等技巧,确保了找到的两条路径中,除了起点和终点外,不包含相同的节点。详细解释了如何构建网络流模型并给出了具体的实现代码。

最小费用流。

题目实际求两天1n个路径,且每个暗哨只经过一次,求最少的时间。

不考虑时间的问题,则求的是是否存在两条没有重复暗哨点的路径,用网络流来解,要求最少的时间,则用最小费用流解法,拆点,保证最大流为2,在此基础上,保证费用(时间)最小即可。

题目求的是1nn1这一条路线,并且除1n以外,中间不能经过重复的点。我们可以在uv之间连接两条有向边,<u,v><v,u>流量是1,费用是u v 之间的时间。因为不能经过重复的点,这样的话需要拆点,将u拆成u1u2u1为输入点,u2为输出点,形成一条有向边<u1,u2>,容量为1,费用为0.

对于uv之间的边,他们的时间为w,连接有向边<u2,v1>, <v2,u1>,容量为都为1,费用都为w

然后求最大流即可。

注意:如果1n有直接路径,最优解可能是不经过暗哨,所以1n拆点后连接的是流量无穷的边(大于2即可),费用为1n的时间。

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;
#define INF 0x1f1f1f
#define clr(x) memset(x,0,sizeof(x))
const int maxn = 550;
const int maxm = maxn*(maxn+6);
struct node{
    int next, from, to, cost, flow;
}e[maxm];
int tot;
int head[maxn];
void add(int s, int t, int wi, int fl){
    e[tot].next = head[s];
    e[tot].from = s;
    e[tot].to = t;
    e[tot].cost = wi;
    e[tot].flow = fl;
    head[s] = tot++;
    e[tot].next = head[t];
    e[tot].from = t;
    e[tot].to = s;
    e[tot].cost = -wi;
    e[tot].flow = 0;
    head[t] = tot++;
}
int q[maxm];
int pre[maxn];
int dis[maxn];
int v[maxn];
bool spfa(int src, int sink, int n){
    int i, x, front, rear, k;
    front = rear = 0;
    for (i=0; i<=n; i++){
        dis[i] = INF;
    }
    clr(v);
    pre[src] = -1;
    q[rear++] = src;
    dis[src] = 0;
    v[src] = 1;
    while (front < rear){
        x = q[front++];
        v[x] = 0;
        for (i=head[x]; i!=-1; i=e[i].next){
            k = e[i].to;
            if (e[i].flow && dis[x]+e[i].cost<dis[k]){
                dis[k] = dis[x] + e[i].cost;
                pre[k] = i;
                if (!v[k]){
                    v[k] = 1;
                    q[rear++] = k;
                }
            }
        }
    }
    if (dis[sink] != INF)
        return true;
    return false;
}
int costflow(int src, int sink, int n){
    int flow = 0, cflow = 0, minf = INF, u;
    while (spfa(src,sink,n)){
        for (u=pre[sink]; u!=-1; u=pre[e[u].from])
            minf = min(minf,e[u].flow);
        for (u=pre[sink]; u!=-1; u=pre[e[u].from]){
            e[u].flow   -= minf;
            e[u^1].flow += minf;
        }
        flow  += minf;
        cflow += minf*dis[sink];
    }
    if (flow != 2)
        return -1;
    else
        return cflow;
}
void init(int n){
    tot = 0;
    memset(head,-1,sizeof(head));
    for (int i=2; i<n; i++){
        add(i,i+n,0,1);
    }
    add(1,n+1,0,3);
    add(n,n*2,0,3);
    add(0,1,0,2);
    add(n*2,n*2+1,0,2);
}
int main(){
    int n, m, a, b, w;
    int i, j, k;
    while (scanf("%d %d",&n,&m)!=EOF){
        init(n);
        while (m--){
            scanf("%d %d %d",&a,&b,&w);
            if ((a==1 && b==n) || (a==n&&b==1)){
                add(n+1,n,w,3);
            }
            else {
                add(a+n,b,w,1);
                add(b+n,a,w,1);
            }
        }
        int res = costflow(0,2*n+1, 2*n+1);
        if (res == -1){
            printf("Mission Failed!\n");
        }
        else printf("%d\n",res);
    }
    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)和数学优化概率(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、模型优化和并行计算等改进策略。; 适合群:具备一定Python编程基础和优化算法基础知识的高校学生、科研员及工程技术员,尤其适合从事工智能、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