虫洞 dj

noip2015预备赛 【虫洞】【dj】

题目描述:

N个虫洞,M条单向跃迁路径。从一个虫洞沿跃迁路径到另一个虫洞需要消耗一定量的燃料和1单位时间。虫洞有白洞和黑洞之分。设一条跃迁路径两端的虫洞质量差为delta。

1.从白洞跃迁到黑洞,消耗的燃料值减少delta,若该条路径消耗的燃料值变为负数的话,取为0。

2.从黑洞跃迁到白洞,消耗的燃料值增加delta。

3.路径两端均为黑洞或白洞,消耗的燃料值不变化。

每过1单位时间黑洞变为白洞,白洞变为黑洞。在飞行过程中,可以选择在一个虫洞停留1个单位时间,如果当前为白洞,则不消耗燃料,否则消耗s[i]的燃料。现在请你求出从虫洞1到N最少的燃料消耗,保证一定存在1到N的路线。

输入

第1行:2个正整数N,M

第2行:N个整数,第i个为0表示虫洞i开始时为白洞,1表示黑洞。

第3行:N个整数,第i个数表示虫洞i的质量w[i]。

第4行:N个整数,第i个数表示在虫洞i停留消耗的燃料s[i]。

第5…M+4行:每行3个整数,u,v,k,表示在没有影响的情况下,从虫洞u到虫洞v需要消耗燃料k。

输出

一个整数,表示最少的燃料消耗。

样例输入

4 5
1 0 1 0
10 10 100 10
5 20 15 10
1 2 30
2 3 40
1 3 20
1 4 200
3 4 200

样例输出

130

数据范围

对于30%的数据: 1<=N<=100,1<=M<=500

对于60%的数据: 1<=N<=1000,1<=M<=5000

对于100%的数据: 1<=N<=5000,1<=M<=30000

其中20%的数据为1<=N<=3000的链

1<=u,v<=N,

1<=k,w[i],s[i]<=200

【样例说明】

按照1->3->4的路线。

此题难点在建图。因为黑洞白洞是时刻变化的,而只有两种变化方式。所以就可以考虑“拆点”,将一个黑洞拆成两个黑洞。
1~n存原来点,n+1到2*n存反点。

——————

当起点与终点非同色时:
当起点与终点非同色时
————
当起点与终点同色时:当起点与终点同色时
千万要注意,建边的方向!!!方向不对卡了我50多分钟。各位千万要注意!!!

#include<bits/stdc++.h>
#define pll pair<int,int>
#define mp make_pair
const int inf=70040;
const int mac=15000;
using namespace std;
int cnt,nex[inf],first[inf],to[inf],data[inf],n,m;
int color[mac],w[mac],dis[mac],s[mac];
bool vis[mac];
void edge(int x,int y,int val){
	cnt++;
	nex[cnt]=first[x];
	first[x]=cnt;
	to[cnt]=y;
	data[cnt]=val;
	return;
}
//本人之前写的DJ,由于建边方向搞错了所以就没管,后来测试了一下,没问题	[伤心]
priority_queue<pll,vector<pll>,greater<pll> >q;
void dj(int start){
	for(int i=1;i<=2*n;i++){
		dis[i]=241092387;
	}
	dis[start]=0;
	q.push(mp(dis[start],start));
	while(!q.empty()){
		int now=q.top().second;
		q.pop();
		if(vis[now])	continue;
		vis[now]=1;
		for(int i=first[now];i!=-1;i=nex[i]){
			int too=to[i],download=data[i];
			if(!vis[too]&&dis[too]>dis[now]+download){
				dis[too]=dis[now]+download;
				q.push(mp(dis[too],too));
			}
		}
	}
	return;
}
//SPFA
queue<int> Q;
void spfa(int start){
	if(color[start]==1)	start=n+1;
	for(int i=1;i<=14999;i++){
		dis[i]=241092387;
		vis[i]=0;
	}
	dis[start]=0;
	vis[start]=1;
	Q.push(start);
	while(!Q.empty()){
		
		int now=Q.front();
		Q.pop();
		vis[now]=0;
		for(int i=first[now];i!=-1;i=nex[i]){
			int too=to[i],dow=data[i];
			if(dis[too]>dis[now]+dow){
				dis[too]=dis[now]+dow;
				if(vis[too]==0){
					
					vis[too]=1;
					Q.push(too);
				}
			}
		}
	}
}
int main(){
	//前黑后白
	 
//	freopen("holes.in","r",stdin);
	memset(first,-1,sizeof(first));
	scanf("%d%d",&n,&m);
	for(int i=1;i<=n;i++)	scanf("%d",&color[i]);
	for(int i=1;i<=n;i++)	scanf("%d",&w[i]);
	for(int i=1;i<=n;i++)	scanf("%d",&s[i]);
	for(int i=1;i<=m;i++){
		int x,y,v;
		scanf("%d%d%d",&x,&y,&v);
		if(color[x]==color[y]){
			edge(x,y+n,v);
			edge(x+n,y,v);
		}
		else{
			int delta=abs(w[x]-w[y]);
			if(color[x]==0){
				edge(x,y+n,max(v-delta,0));
				edge(x+n,y,v+delta);
			}
			else{
				edge(x,y+n,v+delta);
				edge(x+n,y,max(v-delta,0));
			}
		}
	}
	for(int i=1;i<=n;i++){
		if(color[i]==1){
			edge(i,i+n,s[i]);
			edge(i+n,i,0);
		}
		else{
			edge(i,i+n,0);
			edge(i+n,i,s[i]);
		}
	}
	//两个都可以
	//dj(1);
//	spfa(1);
	printf("%d\n",min(dis[n],dis[n+n]));
}
### 识别的技术实现方法 识别是一种基于计算机视觉和模式识别的方法,通常用于检测植物叶片上的或其他损伤区域。这种方法可以有效辅助农业生产中的病害监测工作。以下是关于识别技术实现的具体介绍: #### 数据采集与预处理 数据采集阶段主要依赖高分辨率相机拍摄植物叶片像。为了提高后续算法的效果,在此过程中需注意光照件的一致性和背景的简单化设计[^2]。随后对原始片进行灰度转换、噪声去除以及尺寸调整等一系列操作来完成初步的数据清理。 #### 特征提取 特征提取是整个流程的核心环节之一。对于这样的局部纹理特性,常用的手法包括但不限于边缘检测(Canny Edge Detection)[^1] 和傅里叶描述子(Fourier Descriptors)分析等手段获取目标对象的关键属性值集合。 #### 分类模型构 利用机器学习或者深度学习框架立分类器来进行最终判断。例如支持向量机(SVM)被广泛应用于二分类场景下区分正常叶子与含有蛀痕迹的情况;而卷积神经网络(Convolutional Neural Networks,CNNs),由于其强大的自适应能力,则更适合解决更加复杂且多样化的实际案例需求[^4]。 ```python import cv2 from sklearn import svm def preprocess_image(image_path): img = cv2.imread(image_path, 0) blurred_img = cv2.GaussianBlur(img,(5,5),0) edges = cv2.Canny(blurred_img, threshold1=100, threshold2=200) return edges.flatten() X_train = [] # Training data features after preprocessing y_train = [] # Corresponding labels (e.g., 'healthy', 'damaged') for image_file in training_images: X_train.append(preprocess_image(image_file)) clf = svm.SVC(kernel='linear') clf.fit(X_train, y_train) test_sample = preprocess_image(test_image_path) prediction = clf.predict([test_sample]) print(f"The prediction result is {prediction}.") ``` 上述代码片段展示了如何使用OpenCV库执行基本的像预处理步骤,并通过Scikit-Learn包内的SVM模块训练简单的线性核函数分类器实例[^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