回溯 图着色问题

图着色问题(Graph Coloring Problem, GCP),又称着色问题,是最著名的NP-完全问题之一。

给定一个无向图G=(V, E),其中V为顶点集合,E为边集合,图着色问题即为将V分为K个颜色组,每个组形成一个独立集,即其中没有相邻的顶点。其优化版本是希望获得最小的K值。

先考虑三着色问题。

思路:

1.对图中的每个顶点,选择三种颜色之一对其进行着色。

2.如果该着色合法,那么检测是否图中所有的顶点都已经着色,如果是,输出该着色方案;否则,选择另外一个顶点进行着色。

3.如果三种颜色都尝试过且没有成功,那么回溯到父节点。

图由Graph表示,定义如下:

struct Graph{
        int **weight;//邻接矩阵,这里不需要权值,所以边全用1表示
        size_t number_of_vertices;//顶点数
        size_t number_of_edges;//边数
        size_t *color;//保存每个顶点的着色
};
递归版本:

void graph_coloring_recursive( Graph *thiz, size_t k, size_t num_of_color )
{
        if( k > thiz->number_of_vertices )
                return;
        int i = 1;
        while( i <= num_of_color ){
                thiz->color[k-1] = i;
                if( if_valid( thiz, k, num_of_color ) )//合法
                {   
                        if( k < thiz->number_of_vertices )//加上=后就不会调用graph_painting_print了。
                                graph_coloring_recursive( thiz, k+1, num_of_color );
                        else
                                graph_painting_print( thiz );
                }   
                ++i;
        }   
}

非递归版本如下:

void graph_coloring( Graph *thiz, size_t num_of_color )
{
        int i = 1;
        while( i >= 1 )//对每个顶点进行着色
        {
                while( thiz->color[i-1] < num_of_color )
                {
                        thiz->color[i-1] += 1;//初始时各顶点的color值都为0,表示没有进行着色.
                        if( if_valid( thiz, i, num_of_color ) )//合法
                        {
                                if( i < thiz->number_of_vertices ) //部分解
                                {
                                    ++i;//下一个节点
                                }else{//最后一个节点,为全部解,输出结果
                                        graph_painting_print( thiz );
                                }
                        }
                }
                thiz->color[i-1] = 0;//此为回溯部分,将当前节点color值置为0,回到上一层节点。
                --i;
        }
}

和八皇后的程序对比一下发现两个程序很像,当然都是回溯算法的例子,思路都一样。

程序文件下载

### Swin Transformer 论文精读:Hierarchical Vision Transformer Using Shifted Windows Swin Transformer 是一种基于视觉的分层 Transformer 模型,其核心创新在于通过 **Shifted Window-based Self-Attention** 实现了线性计算复杂度,同时能够生成多尺度特征表示。这种方法在图像分类、目标检测和语义分割等任务中取得了显著的性能提升 [^2]。 #### 核心架构概述 Swin Transformer 的整体结构分为多个阶段(Stage),每个阶段包含多个 Swin Transformer Block。这些块使用 **窗口化自注意力机制** 和 **移位窗口策略** 来实现高效计算并捕捉长距离依赖关系。 - **分层特征提取** 类似于传统卷积神经网络(如 ResNet),Swin Transformer 采用分层设计来逐步降低空间分辨率并增加通道维度。这种设计允许模型从局部到全局地构建特征表示。 - **窗口划分与移位窗口机制** 在每个 Swin Transformer Block 中,输入特征图被划分为不重叠的窗口,并在这些窗口内执行自注意力计算。为了增强跨窗口的信息交互,在下一个 Block 中对窗口进行移位操作(Shifted Windows)。这种方式既减少了计算量,又保持了模型对全局信息的感知能力 [^1]。 ```python # 窗口划分伪代码示例 def window_partition(x, window_size): B, H, W, C = x.shape # 将图像划分为多个窗口 x = tf.reshape(x, shape=[B, H // window_size, window_size, W // window_size, window_size, C]) windows = tf.transpose(x, perm=[0, 1, 3, 2, 4, 5]) return tf.reshape(windows, shape=[-1, window_size, window_size, C]) # 移位窗口伪代码 def shifted_window_attention(x, window_size, shift_size): B, H, W, C = x.shape # 对特征图进行滚动操作以实现窗口移位 x = tf.roll(x, shift=(-shift_size, -shift_size), axis=(1, 2)) return window_partition(x, window_size) ``` #### 自注意力机制优化 传统的 Vision TransformerViT)在整个图像上应用自注意力机制,导致计算复杂度为 $O(n^2)$,其中 $n$ 是图像块的数量。而 Swin Transformer 通过将注意力限制在局部窗口内,将复杂度降低到 $O(n)$,使其适用于高分辨率图像处理 [^4]。 此外,移位窗口机制确保了相邻窗口之间的信息流动,从而避免了局部注意力带来的信息隔离问题。这种设计使得 Swin Transformer 能够在保持计算效率的同时实现全局建模能力。 #### 实验结果与性能优势 Swin Transformer 在多个视觉任务中表现出色: - **ImageNet 分类任务**:Swin-Tiny、Swin-Small、Swin-Base 和 Swin-Large 四种变体均在 ImageNet-1K 上实现了优于其他 Transformer 主干网络的 Top-1 准确率。 - **COCO 目标检测**:在 COCO 数据集上,Swin Transformer 在 Faster R-CNN 框架下达到了 SOTA 性能,mAP 超过之前的最佳方法。 - **ADE20K 语义分割**:在 ADE20K 数据集上,Swin Transformer 作为编码器也取得了领先的 mIoU 指标 [^2]。 #### 消融实验分析 论文还进行了详细的消融研究,验证了以下几个关键组件的有效性: - **窗口大小的影响**:较大的窗口有助于捕捉更广泛的上下文,但会增加计算开销。 - **移位窗口的重要性**:实验证明,移位机制可以显著提升模型性能,尤其是在长距离依赖任务中。 - **不同层级的设计**:通过对比不同层级深度和通道配置,论文展示了如何平衡精度与效率 [^3]。 ---
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