【图论02】二分图 1001 过山车

本文详细介绍了二分图求最大匹配的经典算法——匈牙利算法,通过具体模板代码实现了一个过山车问题的解决过程。代码中包括了通用模板、初始化、增广路径寻找及最大匹配数计算等关键步骤。

算法思路:二分图。

简单的二分图求最大匹配的模板题,匈牙利算法。任意选择一个点做为起点开始遍历,如果找到“增广路”,则sum++(sum初始化为0)。对所有的点尝试过一次找“增广路”之后(共做了N次),输出sum即为所求。

 

//模板开始
#include <string>   
#include <vector>   
#include <algorithm>   
#include <iostream>   
#include <sstream>   
#include <fstream>   
#include <map>   
#include <set>   
#include <cstdio>   
#include <cmath>   
#include <cstdlib>   
#include <ctime>
#include <iomanip>
#include <string.h>
#include <queue>
#define SZ(x) (int(x.size()))
using namespace std;

int toInt(string s){
	istringstream sin(s); 
	int t; 
	sin>>t; 
	return t;
}
template<class T> string toString(T x){
	ostringstream sout; 
	sout<<x; 
	return sout.str();
}
typedef long long int64;
int64 toInt64(string s){
	istringstream sin(s); 
	int64 t; 
	sin>>t;
	return t;
}
template<class T> T gcd(T a, T b){ 
	if(a<0) 
		return gcd(-a, b);
	if(b<0) 
		return gcd(a, -b);
	return (b == 0)? a : gcd(b, a % b);
}
//模板结束(通用部分)

#define ifs cin

#define MAX 1010
int juzhen[MAX][MAX];
int used[MAX];
int mat[MAX];

void init()
{
	memset(juzhen, 0, sizeof(juzhen));
}
int Augment(int s, int n, int x)
{
	int i;
	for(i = s; i <= n; i++)
	{
		if(!used[i] && juzhen[x][i])
		{
			used[i] = 1;
			if(mat[i] == -1 || Augment(s, n, mat[i]))
			{
				mat[i] = x;
				return 1;
			}			
		}
	}
	return 0;
}

int Hungary(int s, int n)
{
	int i, sum = 0;
	memset(mat, -1, sizeof(mat));
	for(i = s; i <= n; i++)
	{
		memset(used, 0, sizeof(used));
		if(Augment(s, n, i))
		{
			sum++;
		}
	}
	return sum;
}

//【图论02】二分图 1001 过山车

int main()
{
	//ifstream ifs("shuju.txt", ios::in);
	int k, m, n;
	int a, b;
	while(ifs>>k && k != 0)
	{
		ifs>>m>>n;
		memset(juzhen, 0, sizeof(juzhen));
		for(int i = 0; i < k; i++)
		{
			ifs>>a>>b;
			juzhen[a][m + b] = 1;
			//juzhen[m + b][a] = 1;
		}
		int max_match = Hungary(1, m + n);
		cout<<max_match<<endl;
	}

	return 0;
}


 

 

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 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