洛谷 P3190 [HNOI2007]神奇游乐园(插头DP)

插头DP算法解析
本文深入探讨了插头DP算法的实现细节,通过一个求最大点权回路的问题实例,详细讲解了如何利用DP模板解决含有多个权值的复杂问题。文章提供了完整的代码示例,帮助读者更好地理解和掌握算法原理。
题目链接
题意

求一个最大点权回路

思路

插头DP模板题多个权值,还是挺模板,加强理解。

  • 枚举最右点,不能存在右插头。不然之后转移状态虽然没考虑但是会一直记录,然后炸时间和空间
  • 形成一个连通分量只会出现一次()的情况,不要再push进状态
代码
#include <bits/stdc++.h>
using namespace std;

struct hash_table {
    int hash_mod = 19991;
    int state[20000], ans[20000], up;
    int tot, first[20000], nxt[20000], w[20000];
    void init() {
        memset(first, 0, sizeof(first));
        tot = 0;
        up = 0;
    }
    int ins(int sta, int val) {
        int key = sta%hash_mod;
        for(int i = first[key]; i; i = nxt[i]) {
            if(state[w[i]] == sta) return ans[w[i]] = max(ans[w[i]],val);
        }
        state[++up] = sta;
        ans[up] = val;
        nxt[++tot] = first[key];
        w[tot] = up;
        first[key] = tot;
        return val;
    }
}dp[2];

#define prel (1<<bit[j-1])
#define prer (1<<bit[j])
int n, m, a[105][10], bit[10];

void solve() {
    int cur = 0, ans = -1e9;
    dp[cur].init();
    dp[0].ins(0,0);
    for(int i = 1; i <= n; ++i) {
        for(int j = 1; j <= dp[cur].up; ++j) dp[cur].state[j] <<= 2;
        for(int j = 1; j <= m; ++j) {
            cur ^= 1;
            dp[cur].init();
            for(int k = 1; k <= dp[cur^1].up; ++k) {
                int sta = dp[cur^1].state[k];
                int w = dp[cur^1].ans[k];
                int d = (sta>>bit[j])&3;
                int r = (sta>>bit[j-1])&3;
                if(!r && !d) {
                    dp[cur].ins(sta,w);
                    if(j != m) dp[cur].ins(sta+prel+2*prer,w+a[i][j]);
                }
                else if(!r && d) {
                    if(j != m) dp[cur].ins(sta,w+a[i][j]);
                    dp[cur].ins(sta-d*prer+d*prel,w+a[i][j]);
                }
                else if(r && !d) {
                    dp[cur].ins(sta,w+a[i][j]);
                    if(j != m) dp[cur].ins(sta-r*prel+r*prer,w+a[i][j]);
                }
                else if(r == 1 && d == 1) {
                    int cnt = 1;
                    for(int p = j+1; p <= m; ++p) {
                        if(((sta>>bit[p])&3) == 1) ++cnt;
                        if(((sta>>bit[p])&3) == 2) --cnt;
                        if(!cnt) {
                            dp[cur].ins(sta-prel-prer-(1<<bit[p]),w+a[i][j]);
                            break;
                        }
                    }
                }
                else if(r == 2 && d == 2) {
                    int cnt = 1;
                    for(int p = j-2; p >= 0; --p) {
                        if(((sta>>bit[p])&3) == 1) --cnt;
                        if(((sta>>bit[p])&3) == 2) ++cnt;
                        if(!cnt) {
                            dp[cur].ins(sta-2*prel-2*prer+(1<<bit[p]),w+a[i][j]);
                            break;
                        }
                    }
                }
                else if(r == 2 && d == 1) {
                    dp[cur].ins(sta-prel*r-prer*d,w+a[i][j]);
                }
                else {
                    if(sta == prel+2*prer) ans = max(ans,w+a[i][j]);
                    // 形成一个连通分量,不能再push进去不然存在多个回路
//                    else dp[cur].ins(sta-prel-2*prer,w+a[i][j]);
                }
            }
        }
    }
    printf("%d\n",ans);
}

int main() {
    scanf("%d%d",&n,&m);
    for(int i = 1; i <= n; ++i) for(int j = 1; j <= m; ++j) scanf("%d",&a[i][j]);
    for(int i = 1; i <= m; ++i) bit[i] = i<<1;
    solve();
	return 0;
}
本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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