Uva 10807 - Prim

看着像是一个有重边的图生成2个无重边的总权值最小的生成树

实际上却是一道暴力搜索的题目

搜索不TLE的关键点在于两个生成树一定有的差别是一个有最短边,一个没有

所以枚举第一个生成树的时候一定要有最小边即可

写的姿势比较差

TLE无数,还是看了discuss才知道的这点=.=

9Y

最开始的想法是两遍贪心,果断WA

附测试用例于代码后

#include<stdio.h>
#include<vector>
#include<algorithm>
#define MAX 30
struct edge{
	int p,q,w;
	bool operator < (const edge& b)const {
		return w<b.w;
		}
	};
std::vector<edge>L;
int ft[MAX];
void in_ft(int n){
	int i;
	for(i=1;i<=n;i++)ft[i]=i;
	}
int find(int x){
	int t=x,temp;
	while(ft[x]!=x)x=ft[x];
	while(t!=x){
		temp=ft[t];
		ft[t]=x;
		t=temp;
		}
	return x;
	}
void merge(int root1,int root2){
	int fr1=find(root1);
	int fr2=find(root2);
	ft[fr1]=fr2;
	}
int res=(int)1e9;
int cho[MAX];
bool ok[MAX];
int n,m;
int min(int a,int b){
	if(a>b)return b;return a;
	}
int max(int a,int b){
	if(a<b)return b;return a;
	}
int is_tree(){
	int i;
	in_ft(n);
	for(i=1;i<n;i++){
		int t=cho[i];
		int p=L[t].p;
		int q=L[t].q;
		if(find(p)!=find(q))merge(p,q);
		else return 0;
		}
	for(i=2;i<=n;i++)if(find(i)!=find(1))return 0;
	return 1;
	}
void DFS(int t){
	int i;
	if(t==n){
		int flag=is_tree();
		if(!flag)return;
	//	for(i=1;i<n;i++)printf("%d ",cho[i]);printf("\n");
		for(i=0;i<m;i++)ok[i]=0;
		for(i=1;i<n;i++)ok[ cho[i] ]=1;
		in_ft(n);
		int ha=0;
		for(i=cho[1]+1;i<m;i++){
			if(ok[i])continue;
			int p,q;
			p=L[i].p;
			q=L[i].q;
			if(find(p)!=find(q))merge(p,q),ha+=L[i].w;
			}
		find(1);
		for(i=2;i<=n;i++)if(find(i)!=ft[1])return;
		for(i=1;i<n;i++)ha+=L[ cho[i] ].w;
		res=min(res,ha);
		}
	else {
		i=max(cho[t-1]+1,t-1);
		for(;i<=m-n+t-2;i++){
			cho[t]=i;
			DFS(t+1);
			}
		}
	}
int main(){
	while(scanf("%d",&n)!=EOF&&n){
		in_ft(n);L.clear();res=(int)1e9;
		scanf("%d",&m);
		int i,p,q,w;
		for(i=1;i<=m;i++){
			scanf("%d%d%d",&p,&q,&w);
			L.push_back( (edge){p,q,w} );
			}
		std::sort(L.begin(),L.end());
		cho[1]=0;
		DFS(2);
		if(res==(int)1e9)printf("No way!\n");
		else printf("%d\n",res);
		}
	return 0;
	}

4
7
1 2 1
1 2 1
2 3 1
2 4 10
2 4 20
3 4 1
3 4 100
0
AC out:34
本项目构建于RASA开源架构之上,旨在实现一个具备多模态交互能力的智能对话系统。该系统的核心模块涵盖自然语言理解、语音转文本处理以及动态对话流程控制三个主要方面。 在自然语言理解层面,研究重点集中于增强连续对话中的用户目标判定效能,并运用深度神经网络技术提升关键信息提取的精确度。目标判定旨在解析用户话语背后的真实需求,从而生成恰当的反馈;信息提取则专注于从语音输入中析出具有特定意义的要素,例如个体名称、空间位置或时间节点等具体参数。深度神经网络的应用显著优化了这些功能的实现效果,相比经典算法,其能够解析更为复杂的语言结构,展现出更优的识别精度与更强的适应性。通过分层特征学习机制,这类模型可深入捕捉语言数据中隐含的语义关联。 语音转文本处理模块承担将音频信号转化为结构化文本的关键任务。该技术的持续演进大幅提高了人机语音交互的自然度与流畅性,使语音界面日益成为高效便捷的沟通渠道。 动态对话流程控制系统负责维持交互过程的连贯性与逻辑性,包括话轮转换、上下文关联维护以及基于情境的决策生成。该系统需具备处理各类非常规输入的能力,例如用户使用非规范表达或对系统指引产生歧义的情况。 本系统适用于多种实际应用场景,如客户服务支持、个性化事务协助及智能教学辅导等。通过准确识别用户需求并提供对应信息或操作响应,系统能够创造连贯顺畅的交互体验。借助深度学习的自适应特性,系统还可持续优化语言模式理解能力,逐步完善对新兴表达方式与用户偏好的适应机制。 在技术实施方面,RASA框架为系统开发提供了基础支撑。该框架专为构建对话式人工智能应用而设计,支持多语言环境并拥有活跃的技术社区。利用其内置工具集,开发者可高效实现复杂的对话逻辑设计与部署流程。 配套资料可能包含补充学习文档、实例分析报告或实践指导手册,有助于使用者深入掌握系统原理与应用方法。技术文档则详细说明了系统的安装步骤、参数配置及操作流程,确保用户能够顺利完成系统集成工作。项目主体代码及说明文件均存放于指定目录中,构成完整的解决方案体系。 总体而言,本项目整合了自然语言理解、语音信号处理与深度学习技术,致力于打造能够进行复杂对话管理、精准需求解析与高效信息提取的智能语音交互平台。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 1
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