Buy or Build UVA - 1151 MST最小生成树

本文详细介绍了使用最小生成树算法解决特定问题的过程,包括如何利用vector存储边信息、子节点集合以及掩码(mask)的使用技巧。通过实例展示了算法的具体实现步骤,并提供了完整的C++代码实现。

紫书P358
收获:
1:用vector建立需要的边,和原本就有的边
2:这里的subn用vector其实是很正常的,但是我可能原本想不出要用这个
3:掩码mask在这里的表示要更加熟练




#include<cstdio>
#include<cstring>
#include<algorithm>
#include<queue>
#include<string>
#include<cstring>
#include<iomanip>
#include<iostream>
#include<stack>
#include<cmath>
#include<map>
#include<vector>
#define ll long long
#define inf 0x3f3f3f3f
#define INF 1000000000
#define bug1 cout<<"bug1"<<endl;
#define bug2 cout<<"bug2"<<endl;
#define bug3 cout<<"bug3"<<endl;
using namespace std;
const int maxn=1005;
const int maxq=10;
int cost[10];
int fa[maxn];
int n;
vector<int>subn[maxq];
int x[maxn],y[maxn];
struct Edge{
    int u,v,d;
    Edge(int u,int v,int d):u(u),v(v),d(d){}
    bool friend operator<(Edge a,Edge b){
        return a.d<b.d;
    }
};
int find(int x){
    return fa[x]==x?x:fa[x]=find(fa[x]);
}
int MST(int cnt, const vector<Edge>&e, vector<Edge>&used) {
  if(cnt == 1) return 0;
  int m = e.size();
  int ans = 0;
  used.clear();
  for(int i = 0; i < m; i++) {
    int u = find(e[i].u),v= find(e[i].v);
    int d = e[i].d;
    if(u != v) {
      fa[u] = v;
      ans += d;
      used.push_back(e[i]);
      if(--cnt == 1) break;
    }
  }
  return ans;
}
vector<Edge>e,need;
void init(){
    for(int i=0;i<n;++i)fa[i]=i;
    memset(x,0,sizeof(x));
    memset(y,0,sizeof(y));
    memset(cost,0,sizeof(cost));
    e.clear();need.clear();
}
int main(){
    int t;
    scanf("%d",&t);
    while(t--){
        int q;
        scanf("%d%d",&n,&q);
        init();//天哪,又忘了这个地方中的init应该放在输入n的后面
        for(int i=0;i<q;++i){
            int cnt;
            scanf("%d%d",&cnt,&cost[i]);
            subn[i].clear();
            for(int j=1;j<=cnt;++j){
                int tmp;scanf("%d",&tmp);
                subn[i].push_back(tmp-1);//庲自己错误的地方在这,依然还是和0有关
            }
        }
        for(int i = 0; i < n; i++) scanf("%d%d", &x[i], &y[i]);
        for(int i=0;i<n;++i){
            for(int j=i+1;j<n;++j){
                int c= (x[i]-x[j])*(x[i]-x[j]) + (y[i]-y[j])*(y[i]-y[j]);//因为这道题要求的不是最小生成树的距离大小,而且为了防止精度误差,
                e.push_back(Edge(i,j,c));//所以就直接不开根号了
            }
        }
        for(int i=0;i<n;++i)fa[i]=i;
        sort(e.begin(),e.end());
        int ans=MST(n,e,need);
        for(int mask=0;mask<(1<<q);++mask){
            for(int i=0;i<n;++i)fa[i]=i;
            int cnt=n,c=0;
            for(int i=0;i<q;++i)if(mask&(1<<i)){
                c+=cost[i];
                for(int j=1;j<subn[i].size();++j){
                    int u=find(subn[i][j]),v=find(subn[i][0]);
                    if(v!=u){
                        fa[v]=u;
                        cnt--;
                    }
                }
            }
            vector<Edge>tmp;
            ans=min(ans,c+MST(cnt,need,tmp));
        }
        printf("%d\n",ans);
        if(t)printf("\n");
    }
}




具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)内容概要:本文介绍了一个涵盖多个科研领域的综合性MATLAB仿真资源集合,重点聚焦于光伏发电系统中基于粒子群优化(PSO)算法的最大功率点追踪(MPPT)技术的Simulink仿真实现。文档还列举了多种MPPT方法(如P&O、增量电导法、神经网络、模糊逻辑控制等),并展示了该团队在电力系统、智能优化算法、机器学习、路径规划、无人机控制、信号处理等多个方向的技术服务能力与代码实现案例。整体内容以科研仿真为核心,提供大量可复现的Matlab/Simulink模型和优化算法应用实例。; 适合人群:具备一定电力电子、自动控制或新能源背景,熟悉MATLAB/Simulink环境,从事科研或工程仿真的研究生、科研人员及技术人员。; 使用场景及目标:①学习并实现光伏系统中基于粒子群算法的MPPT控制策略;②掌握多种智能优化算法在电力系统与自动化领域的建模与仿真方法;③获取可用于论文复现、项目开发和技术攻关的高质量仿真资源。; 阅读建议:建议结合提供的网盘资料,按照研究方向选取对应模块进行实践,重点关注Simulink模型结构与算法代码逻辑的结合,注重从原理到仿真实现的全过程理解,提升科研建模能力。
热成像人物检测数据集 一、基础信息 数据集名称:热成像人物检测数据集 图片数量: 训练集:424张图片 验证集:121张图片 测试集:61张图片 总计:606张热成像图片 分类类别: - 热成像人物:在热成像图像中的人物实例 - 非热成像人物:在非热成像或普通图像中的人物实例,用于对比分析 标注格式: YOLO格式,包含边界框和类别标签,适用于目标检测任务。数据来源于热成像和视觉图像,覆盖多种场景条件。 二、适用场景 热成像监控与安防系统开发: 数据集支持目标检测任务,帮助构建能够在低光、夜间或恶劣环境下自动检测和定位人物的AI模型,提升监控系统的可靠性和实时响应能力。 红外视觉应用研发: 集成至红外摄像头或热成像设备中,实现实时人物检测功能,应用于安防、军事、救援和工业检测等领域。 学术研究与创新: 支持计算机视觉与热成像技术的交叉研究,助力开发新算法用于人物行为分析或环境适应型检测模型。 教育与培训: 可用于高校或培训机构,作为学习热成像人物检测和AI模型开发的教学资源,提升实践技能。 三、数据集优势 精准标注与多样性: 每张图片均由专业标注员标注,确保边界框定位准确,类别分类清晰。包含热成像和非热成像类别,提供对比数据,增强模型的泛化能力和鲁棒性。 场景实用性强: 数据覆盖多种环境条件,如不同光照和天气,模拟真实世界应用,适用于复杂场景下的人物检测任务。 任务适配性高: YOLO标注格式兼容主流深度学习框架(如YOLOv5、YOLOv8等),可直接加载使用,支持快速模型开发和评估。 应用价值突出: 专注于热成像人物检测,在安防、监控和特殊环境检测中具有重要价值,支持早期预警和高效决策。
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