BestCoder Round #68 (div.2) 1003.graph (DP+矩阵快速幂)

本文介绍如何使用矩阵快速幂解决给定向图中从某一点出发,在一定时间内到达所有点的概率问题。通过构建初始01矩阵并进行幂运算,得到最终概率矩阵。

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=5607

题意:给一个有向图,点数n(<=50),用邻接矩阵表示,每分钟走一步,每走一步等概率的到达和当前节点相邻的节点,有q(<=20)个查询,每个查询需要你回答从u点出发k(<=1e9)分钟后到达每一个点的概率。

解法:典型的矩阵快速幂。

初始01矩阵第 i 列所有值全部乘以 i 点出度的关于mod的逆元,可得到了初始矩阵。

初始矩阵中的第 i 列为从 i 节点出发0分钟后到达每一个点的概率。k分钟时,邻接矩阵为初始01矩阵的k次幂。输出第u列的值即可。

AC代码如下:

#include <iostream>
#include <cstdio>
#include <cstring>
#include <string>
#include <algorithm>
#include <cmath>
#include <vector>
#include <set>
#include <map>
#include <stack>
#include <queue>
using namespace std;

typedef long long LL;
const int mod=1e9+7;
const int maxn=55;
const int maxm=55;

struct Matrix{
    int n,m;
    int a[maxn][maxm];
    void init(int r,int c){
        n=r;   m=c;
        memset(a,0,sizeof(a));
    }
    void print(){
        for(int i=0;i<n;i++){
            for(int j=0;j<m;j++)
                printf("%d ",a[i][j]);
            printf("\n");
        }
    }
    Matrix operator * (const Matrix &b) {
        Matrix tmp;
        tmp.init(n,b.m);
        for(int i=0;i<n;i++){
            for(int j=0;j<b.m;j++)
                for(int k=0;k<m;k++){
                    tmp.a[i][j]+=(long long)1*a[i][k]*b.a[k][j]%mod;
                    tmp.a[i][j]%=mod;
                }
        }
        return tmp;
    }
};

Matrix Mpow_mod(LL n,Matrix a){
	Matrix ret;
	ret.init(a.n,a.n);
	for(int i=0;i<ret.n;i++)
        ret.a[i][i]=1;
	while(n){
		if(n&1){
			ret=ret*a;
		}
		a=a*a;
		n/=2;
	}
	//ret.print();
	return ret;
}

LL fpow(LL a,LL n){
    LL ret=1;
    while(n){
        if(n&1)  ret=ret*a%mod;
        a=a*a%mod;
        n/=2;
    }
    return ret;
}

Matrix aa,bb,cc;
int tot[55],mem[55][55];

int main (){
    int n,m,x,y,q,u,k;
    while(scanf("%d%d",&n,&m)!=EOF){
        memset(mem,0,sizeof(mem));
        memset(tot,0,sizeof(tot));
        for(int i=1;i<=m;i++){
            scanf("%d%d",&x,&y);
            x--;   y--;
            mem[x][y]=1;
            tot[x]++;
        }
        aa.init(n,n);
        for(int i=0;i<n;i++)
            for(int j=0;j<n;j++)
                aa.a[i][j]=fpow(tot[i],mod-2)*(LL)mem[i][j]%mod;
        //aa.print();
        scanf("%d",&q);
        while(q--){
            scanf("%d%d",&u,&k);
            u--;
            //cout<<u<<"  "<<k<<endl;
            bb=Mpow_mod(k,aa);
            for(int i=0;i<n;i++)
                printf("%d ",bb.a[u][i]);
            printf("\n");
        }
    }
    return 0;
}
/*
3 2
1 2
1 3
1
1 1
*/



数据集介绍:电力线目标检测数据集 一、基础信息 数据集名称:电力线目标检测数据集 图片数量: 训练集:2898张图片 验证集:263张图片 测试集:138张图片 总计:3299张图片 分类类别: 类别ID: 0(电力线) 标注格式: YOLO格式,包含对象标注信息,适用于目标检测任务。 数据格式:JPEG/PNG图片,来源于空中拍摄或监控视觉。 二、适用场景 电力设施监控与巡检: 数据集支持目标检测任务,帮助构建能够自动识别和定位电力线的AI模型,用于无人机或固定摄像头巡检,提升电力设施维护效率和安全性。 能源与公用事业管理: 集成至能源管理系统中,提供实时电力线检测功能,辅助进行风险 assessment 和预防性维护,优化能源分配。 计算机视觉算法研究: 支持目标检测技术在特定领域的应用研究,促进AI在能源和公用事业行业的创新与发展。 专业培训与教育: 数据集可用于电力行业培训课程,作为工程师和技术人员学习电力线检测与识别的重要资源。 三、数据集优势 标注精准可靠: 每张图片均经过专业标注,确保电力线对象的定位准确,适用于高精度模型训练。 数据多样性丰富: 包含多种环境下的电力线图片,如空中视角,覆盖不同场景条件,提升模型的泛化能力和鲁棒性。 任务适配性强: 标注格式兼容YOLO等主流深度学习框架,便于快速集成和模型开发,支持目标检测任务的直接应用。 实用价值突出: 专注于电力线检测,为智能电网、自动化巡检和能源设施监控提供关键数据支撑,具有较高的行业应用价值。
【弹簧阻尼器】基于卡尔曼滤波弹簧质量阻尼器系统噪声测量实时状态估计研究(Matlab代码实现)内容概要:本文围绕“基于卡尔曼滤波的弹簧质量阻尼器系统噪声测量与实时状态估计”展开研究,利用Matlab代码实现对系统状态的精确估计。重点在于应用卡尔曼滤波技术处理系统中存在的噪声干扰,提升对弹簧质量阻尼器系统动态行为的实时观测能力。文中详细阐述了系统建模、噪声特性分析及卡尔曼滤波算法的设计与实现过程,展示了滤波算法在抑制测量噪声、提高状态估计精度方面的有效性。同时,该研究属于更广泛的信号处理与状态估计技术应用范畴,适用于复杂动态系统的监控与控制。; 适合人群:具备一定控制系统理论基础和Matlab编程经验的高校研究生、科研人员及工程技术人员,尤其适合从事动态系统建模、状态估计与滤波算法研究的相关人员。; 使用场景及目标:①应用于机械、航空航天、自动化等领域中对振动系统状态的高精度实时估计;②为噪声环境下的传感器数据融合与状态预测提供算法支持;③作为卡尔曼滤波算法在实际物理系统中应用的教学与科研案例。; 阅读建议:建议读者结合Matlab代码实践,深入理解系统建模与滤波器设计的关键步骤,关注噪声建模与滤波参数调优对估计性能的影响,并可进一步拓展至扩展卡尔曼滤波(EKF)或无迹卡尔曼滤波(UKF)在非线性系统中的应用。
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