最大流 poj 1273 Dinic 模板

本文详细介绍Dinic算法原理及其实现过程,该算法通过寻找最短增广路径提高最大流计算效率。文章提供了完整的C++代码实现,并解释了如何通过当前弧优化减少不必要的边检查。

链接:http://poj.org/problem?id=1273
引用大牛博客详解:http://comzyh.com/blog/archives/568/#Dinic-Code
Dinic:
ford-fulkerson 算法通过dfs来寻找增广路,dinic而是总是寻找最短的增广路,并且沿着这条增广。
引入层次图的概念:
也叫分层图,以将从源点到某点的距离来分层,距离相同的为同一层。
dinic算法步骤:
1)运用bfs来计算层次图。
2)在层次图中利用dfs来找增广路,并沿着这条路径尽可能的增加流,重复此步 直到找不到增广路,返回 1)重复步骤 直到层次图中已经找不出一条s-t路径了。
在对层次图进行dfs寻找增广路的时候,加入当前弧优化可以避免对一条没有用的边进行多次检查。

#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <vector>
#include <queue>
using namespace std;
#define M 209
#define INF 0x3f3f3f3f
typedef struct
{
    int to,cap,rev;
}edge;
vector<edge> G[M];
int iter[M]; //当前弧,在其之前的边已经没有用了
int level[M]; //分层图,记录某点到源点的距离
int n,m,s,t;
void add_edge(int from,int to,int cap)
{
    G[from].push_back(edge{to,cap,G[to].size()});
    G[to].push_back(edge{from,0,G[from].size()-1});
}
void bfs(int s)
{
    queue<int> q;
    memset(level,-1,sizeof(level)); //初始化距离 -1 表示未访问过
    level[s] = 0;
    q.push(s);
    while(!q.empty())
    {
        int v = q.front(); q.pop();
        for(int i = 0;i < G[v].size();i++)
        {
            edge &e = G[v][i];
            if(e.cap > 0 && level[e.to] < 0) //保证有容量并且是未访问过的,这样距离就一定是最小
            {
                level[e.to] = level[v] + 1;
                q.push(e.to);
            }
        }
    }
}
int dfs(int v,int t,int f)
{
    if(v == t) return f;
    for(int &i = iter[v];i < G[v].size();i++) //i 加上引用,进行当前弧优化,避免对没有用的路径进行多次检查
    {
        edge &e = G[v][i];
        if(e.cap > 0 && level[v] < level[e.to]) //当前点在分层图中是e.to之前的层
        {
            int d = dfs(e.to,t,min(e.cap,f));
            if(d > 0)
            {
                e.cap -= d;
                G[e.to][e.rev].cap += d;
                return d;
            }
        }
    }
    return 0;
}
int max_flow(int s,int t)
{
    int flow = 0;
    for(;;)
    {
        bfs(s); //计算层次图
        if(level[t] < 0) return flow; //找不到s-t路径
        memset(iter,0,sizeof(iter)); //初始化当前弧
        int f;
        while(f = dfs(s,t,INF)) flow += f; //更新最大流,直到找不到增广路
    }
    return flow;
}
int main()
{
    while(scanf("%d %d",&m,&n) == 2)
    {
        for(int i = 0;i <= n;i++) G[i].clear();
        for(int i = 0;i < m;i++)
        {
            int u,v,cap;
            scanf("%d %d %d",&u,&v,&cap);
            add_edge(u,v,cap);
        }
        s = 1; t = n;
        printf("%d\n",max_flow(s,t));
    }
    return 0;
}
内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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