ZOJ 3885 The Exchange of Items

本文探讨如何利用最大流算法解决物品交换问题,通过构建网络流模型,将多余物品与源点连接,缺少的与汇点连接,最终计算出最少的交换次数,实现物品数量最优分配。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

为什么会用最大流呢,把多余的物品与源点相连,缺少的与汇点相连,这样最大流可以满足让物品数量都最优,然后交换次数转为费用,令费用为1,那么跑出来最小的费用就是最少的交换次数。
比赛时想不到会这么建图,感觉网络流的题建图都不怎么好想,难道是多做题就会有感觉吗?

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <vector>
#include <algorithm>
#include <queue>
#include <set>

using namespace std;

const int INF=0x3f3f3f3f;

const int MAXN=20000;

const int MAXM=1000005;

int n,u,v,w,s,t;

struct Edge
{
    int to,next,flow,cost;
}edge[MAXM];

int head[MAXN],tot,pre[MAXN];

bool vis[MAXN];

void add(int u,int v,int w,int cost)
{
    edge[tot].to=v;
    edge[tot].flow=w;
    edge[tot].cost=cost;
    edge[tot].next=head[u];
    head[u]=tot++;

    edge[tot].to=u;
    edge[tot].flow=0;
    edge[tot].cost=-cost;
    edge[tot].next=head[v];
    head[v]=tot++;
}

int d[MAXN];

bool spfa()
{
    int u;
    for(int i=0;i<=n;++i)
    {
        d[i]=INF;vis[i]=false;pre[i]=-1;
    }
    queue <int> q;
    vis[s]=true;
    d[s]=0;
    q.push(s);
    while(!q.empty())
    {
        u=q.front();
        q.pop();vis[u]=false;//清除在队列中的标志
        for(int i=head[u];~i;i=edge[i].next)
        {
            int v=edge[i].to;
            if(d[v]>d[u]+edge[i].cost&&edge[i].flow>0)
            {
                d[v]=d[u]+edge[i].cost;
                pre[v]=i;
                if(!vis[v])
                {
                    vis[v]=true;//在队列中存在
                    q.push(v);
                }
            }
        }
    }
    if(pre[t]==-1)return false;
    return true;
}

int FL=0;

int MCMF()
{
    int sum=INF,ans=0,flow=0;
    for(int i=pre[t];~i;i=pre[edge[i^1].to])
    {
        sum=min(sum,edge[i].flow);
    }
    //可以增广时累加求出最大流 ->
    flow+=sum;
    for(int i=pre[t];~i;i=pre[edge[i^1].to])
    {
        edge[i].flow-=sum;
        edge[i^1].flow+=sum;
        ans+=sum*edge[i].cost;//cost为单位流量费用 需乘以流量
    }
    FL+=flow;
    return ans;
}

int go()
{
    int ans=0;
    while(spfa())ans+=MCMF();
    return ans;
}

int main()
{
    //freopen("in.txt","r",stdin);
    int a,b;
    while(scanf("%d%d",&a,&b)==2)
    {
        memset(head,-1,sizeof(head));
        tot=0;int x=0;FL=0;
        for(int i=0;i<a;++i)
        {
            scanf("%d%d",&u,&v);
            if(u>v)
            add(1,i+2,u-v,0);
            else if(u<v)
            {
                add(i+2,a+2,v-u,0);
                x+=v-u;
            }
        }
        for(int i=0;i<b;++i)
        {
            scanf("%d%d",&u,&v);
            u++;v++;
            add(u,v,INF,1);
            add(v,u,INF,1);
        }
        s=1;t=a+2;n=a+2;
        int ans=go();
        if(FL<x)puts("-1");
        else
        printf("%d\n",ans);
    }
    return 0;
}
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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