UVA-140 最小带宽 以后再补吧

本文介绍了一种通过深度优先搜索优化图遍历的方法,并利用集合数据结构提高算法效率。通过对输入字符串解析构建图模型,实现了寻找最短路径的算法。

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

夭折的一题,应该用set来存储节点的
可参考代码链接

#include <cstdio>
#include <cstring>
#include <vector>
#include <queue>
#include <iostream>
#include <cmath>
#include <vector>
#include <algorithm>
#include <map>
#include <set>
using namespace std;
typedef long long ll;
#define DEBUG
const int maxn=1000+5,maxv=26,INF=0x3f3f3f3f,mod=100000000;
char s[maxn];
int A[30],B[30],flow;
int buf[30][30];
int cnt=0,visited[30];
void dfs(int cur,int cnt,int* A){
    if(cur==cnt){
        int temp=0;
            // printf("+++++++++fuck%d\n",flow);
        for(int i=0;i<cnt;i++){
            for(int j=i;j<cnt;j++){
                if(buf[A[i]][A[j]])
                    temp=max(temp,j-i);
            }
        }
        if(temp<flow){
            for(int i=0;i<cnt;i++)B[i]=A[i];
            // printf("%d\n",flow);

            flow=temp;
            // printf("---------fuck%d\n",flow);
        }
        else{
            // printf("????\n");
        }
    }
    for(int i=0;i<cnt;i++){
        if(visited[i])continue;
        int flag=1;
        for(int j=0;j<cur;j++){
            if(buf[A[j]][i]&&cur-j>=flow){flag=0;break;}
        }
        if(!flag)continue;
        visited[i]=1;
        A[cur]=i;
        dfs(cur+1,cnt,A);
        visited[i]=0;
    }
}
int main(){
#ifdef DEBUG
    freopen("in.txt", "r", stdin);
    freopen("out.txt", "w", stdout);
#endif
    while(cin.getline(s,1000),s[0]!='#'){
        int len=strlen(s);
        int cnt=0;
        memset(buf,0,sizeof(buf));
        memset(visited,0,sizeof(visited));
        for(int i=0;i<len;i++){
            if(s[i]==':'){
                int t;
                for(int j=i-1;j>=0;j--)if(s[j]>='A'&&s[j]<='Z'){t=s[j]-'A';break;}
                if(!visited[t]){visited[t]=1;cnt++;}
                for(int j=i+1;s[j]!=';'&&j<len;j++){
                    // v[t].push_back(s[j]-'A');
                    int tt;
                    if(s[j]>='A'&&s[j]<='Z'){tt=s[j]-'A';}
                    else continue;
                    if(!visited[tt]){visited[tt]=1;cnt++;}
                    // printf("%d %d\n",t,tt );
                    buf[t][tt]=1;
                    buf[tt][t]=1;
                }
            }
        }
        memset(visited,0,sizeof(visited));
        flow=cnt;
        dfs(0,cnt,A);
        for(int i=0;i<cnt;i++)printf("%c ",B[i]+'A');
        // for(int i=0;i<26;i++){
        //  for(int j=0;j<26;j++)
        //      printf("%d ",buf[i][j]);
        //  printf("\n");
        // }
        printf("-> %d\n",flow);
    }
#ifdef DEBUG
    fclose(stdin);
    fclose(stdout);
#endif
    return 0;
}
内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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