P2299 Mzc和体委的争夺战

本文详细解析了使用优先队列实现的最短路径算法——Dijkstra算法。通过具体实例,展示了如何在给定的停留站和路线中找到从起点到终点的最短时间路径。文章包括了完整的AC代码,适用于解决大规模网络中的最短路径问题。

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

题目描述

mzc家很有钱(开玩笑),他家有n个男家丁(做过前三弹的都知道)。但如此之多的男家丁吸引来了我们的体委(矮胖小伙),他要来与mzc争夺男家丁。

mzc很生气,决定与其决斗,但cat的体力确实有些不稳定,所以他需要你来帮他计算一下最短需要的时间。

输入输出格式

输入格式:

第一行有两个数n,m.n表示有n个停留站,m表示共有m条路。

之后m行,每行三个数a_i ; b_i ; c_i 表示第a_i个停留站到第b_i个停留站需要c_i的时间。(无向)

输出格式:

一行,输出1到n最短时间。

输入输出样例

输入样例#1:

5 8
1 2 3
2 3 4
3 4 5
4 5 6
1 3 4
2 4 7
2 5 8
1 5 100

输出样例#1:

11

说明

n≤2500 m≤2∗10^5

由于mzc大大十分着急,所以他只能等待1s。

【AC代码】:

#include<bits/stdc++.h>
#define M(a,b) memset(a,b,sizeof(a))
#define pi 3.1415926
using namespace std;
int cnt,n,m,i;
int head[100005],dis[100005];
bool vis[100005]={0};

struct node{
    int dis,jd;
    bool operator < (const node &a) const{
    return a.dis<dis;
    }
};

struct Edge{
    int next,to,worth;
}e[100005*1000];

void insert(int from,int to,int worth){
    e[++cnt].next=head[from];
    e[cnt].to=to;
    e[cnt].worth=worth; 
    head[from]=cnt;
}

void dijkstra(){
    priority_queue<node>q;
    for(int i=1;i<=n;i++)
    dis[i]=0x3f3f3f3f;
    dis[1]=0;
    q.push((node){0,1});
    while(!q.empty()){
        node now=q.top();
        q.pop();
        if(vis[now.jd]) continue;
        vis[now.jd]=true;
        for(int i=head[now.jd];i;i=e[i].next)
        if(dis[e[i].to]>dis[now.jd]+e[i].worth)
        {
            dis[e[i].to]=dis[now.jd]+e[i].worth;
            q.push((node){dis[e[i].to],e[i].to});
        }
    }
}
int main(){
    cin>>n>>m;
    for(i=1;i<=m;i++){
        int x,y,z;
        cin>>x>>y>>z;
        insert(x,y,z);
        insert(y,x,z);
    }
    dijkstra();
    cout<<dis[n];
    return 0;
}
内容概要:本文档详细介绍了基于弹性架构搜索(Elastic Architecture Search, EAS)结合Transformer编码器进行多变量时间序列预测的项目实例。项目旨在自动化优化多变量时间序列预测模型结构,提升预测精度与鲁棒性,降低计算资源消耗,实现模型轻量化。通过MATLAB实现,项目采用Transformer编码器的多头自注意力机制,结合EAS的弹性权重共享分阶段搜索策略,解决了高维多变量时间序列的复杂依赖建模、架构搜索计算资源需求高、模型过拟合、多步预测误差积累、数据异构性与缺失值处理、复杂模型训练收敛等挑战。终,项目构建了一个高度模块化可扩展的系统设计,适用于智能制造、能源管理、智慧交通等多个工业场景。 适合人群:具备一定编程基础,对时间序列预测、深度学习及MATLAB有一定了解的研发人员研究人员。 使用场景及目标:①自动化优化多变量时间序列预测模型结构,提升预测精度与鲁棒性;②降低计算资源消耗,实现模型轻量化;③实现高度模块化与可扩展的系统设计,促进人工智能在工业领域的深度应用;④提供科研与教学的典范案例与工具,探索深度学习架构搜索在时序预测的前沿技术;⑤促进多变量时序数据融合与异质信息处理能力,推动MATLAB深度学习工具箱的应用与扩展。 其他说明:项目不仅聚焦于模型性能提升,更注重计算资源节约应用落地的可行性。借助弹性架构搜索自动化调参,减少人工经验依赖,加快模型迭代速度,降低开发门槛。结合Transformer编码器的表达能力,显著改善多变量时间序列预测中的长期依赖捕捉异质数据融合问题,为各类时间序列分析任务提供一种全新的解决方案。项目通过详细的代码实现注释,帮助用户理解Transformer机制与弹性架构搜索如何协同工作,实现多变量时间序列预测。
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