POJ 3613 Cow Relays 题解

这篇博客主要讨论了POJ3613 Cow Relays问题的解决方案。作者首先提到直接建图会导致时间复杂度过高,然后提出通过矩阵快速幂优化,将节点数量减少到2m+2,并详细解释了如何构造矩阵和进行快速幂运算。此外,还提到了离散化方法作为另一种可能的解决方案。代码中展示了使用矩阵快速幂实现的C++代码。

POJ 3613 Cow Relays

POJ 3613 Cow Relays

真心想吐槽一下,这个不能用 11 11 11 真的挺难受的。

首先看去像一个板子题,之后发现如果直接对于每个点建图的话时间是过不了的。

之后发现边的数量其实不是很多,一条边最多只有两个不同的点,所以实际上有用的点数是 2 m + 2 2m + 2 2m+2 个。我们对于这个直接进行矩阵快速幂即可。

其实还有一个稍微难写一点的方法,我们考虑对于每一条边建立矩阵,之后如果两条边能互相到达就赋值为其权值,具体来说是 i → j , j → z i \to j, j \to z ij,jz 边权分别是 a x , a y a_x, a_y ax,ay。那么图上 G ( x , y ) = a y , G ( y , x ) = a x G(x, y) = a_y, G(y, x) = a_x G(x,y)=ay,G(y,x)=ax。也就是具体表示走到了这条边的尽头的贡献。

那么我们发现 n ≥ 2 n \ge 2 n2 实际上我们考虑先让 S S S 走到能走到的边的尽头作为答案矩阵。之后直接矩阵快速幂更新即可。

这个是我一开始想到的,后面发现其实离散化一下就可以了,所以就没写。

#include <bits/stdc++.h>
using namespace std;

//#define Fread
//#define Getmod

#ifdef Fread
char buf[1 << 21], *iS, *iT;
#define gc() (iS == iT ? (iT = (iS = buf) + fread (buf, 1, 1 << 21, stdin), (iS == iT ? EOF : *iS ++)) : *iS ++)
#define getchar gc
#endif // Fread

template <typename T>
void r1(T &x) {
	x = 0;
	char c(getchar());
	int f(1);
	for(; c < '0' || c > '9'; c = getchar()) if(c == '-') f = -1;
	for(; '0' <= c && c <= '9';c = getchar()) x = (x * 10) + (c ^ 48);
	x *= f;
}
template <typename T, typename ...Arg>
void r1(T &x, Arg & ... arg) {
    r1(x), r1(arg ...);
}

#define int long long
const int maxn = 1e3 + 5;
const int maxm = maxn << 1;
const int inf = 0x3f3f3f3f3f3f3f3f;
const int N = 2e2 + 5;
int n, T, S, E;
int tot(0);
struct Matrix {
    int a[N][N];
    Matrix(void) { memset(a, 0, sizeof(a)); }
    void Min() {
        memset(a, 0x3f, sizeof(a));
    }
    void init() {
        memset(a, 0x3f, sizeof(a));
        for(int i = 1; i <= tot; ++ i) a[i][i] = 0;
    }
    Matrix operator * (const Matrix &z) const {
        Matrix res; res.Min();
        for(int i = 1; i <= tot; ++ i) {
            for(int j = 1; j <= tot; ++ j) {
                for(int k = 1; k <= tot; ++ k) {
                    res.a[i][j] = min(res.a[i][j], a[i][k] + z.a[k][j]);
                }
            }
        }
        return res;
    }
}G, F;

int id[maxn];

Matrix ksm(Matrix x, int mi) {
    Matrix res; res.init();
    while(mi) {
        if(mi & 1) res = res * x;
        mi >>= 1;
        x = x * x;
    }
    return res;
}

signed main() {
//    freopen("S.in", "r", stdin);
//    freopen("S.out", "w", stdout);
    int i, j;
    r1(n, T, S, E);
    G.Min();
    id[S] = ++ tot, id[E] = ++ tot;
    for(i = 1; i <= T; ++ i) {
        int u, v, w;
        r1(w, u, v);
        auto get = [&] (const int &x) -> void{ if(!id[x]) id[x] = ++ tot; };
        auto Upd = [&] (const int &a, const int &b) -> void{ G.a[a][b] = min(G.a[a][b], w); };
        get(u), get(v);
        Upd(id[u], id[v]), Upd(id[v], id[u]);
    }
    Matrix res = ksm(G, n);
    printf("%lld\n", res.a[id[S]][id[E]]);
	return 0;
}
内容概要:本文是一篇关于使用RandLANet模型对SensatUrban数据集进行点云语义分割的实战教程,系统介绍了从环境搭建、数据准备、模型训练与测试到精度评估的完整流程。文章详细说明了在Ubuntu系统下配置TensorFlow 2.2、CUDA及cuDNN等深度学习环境的方法,并指导用户下载和预处理SensatUrban数据集。随后,逐步讲解RandLANet代码的获取与运行方式,包括训练、测试命令的执行与参数含义,以及如何监控训练过程中的关键指标。最后,教程涵盖测试结果分析、向官方平台提交结果、解读评估报告及可视化效果等内容,并针对常见问题提供解决方案。; 适合人群:具备一定深度学习基础,熟悉Python编程和深度学习框架,从事计算机视觉或三维点云相关研究的学生、研究人员及工程师;适合希望动手实践点云语义分割项目的初学者与进阶者。; 使用场景及目标:①掌握RandLANet网络结构及其在点云语义分割任务中的应用;②学会完整部署一个点云分割项目,包括数据处理、模型训练、测试与性能评估;③为参与相关竞赛或科研项目提供技术支撑。; 阅读建议:建议读者结合提供的代码链接和密码访问完整资料,在本地或云端环境中边操作边学习,重点关注数据格式要求与训练参数设置,遇到问题时参考“常见问题与解决技巧”部分及时排查。
### 解题思路 POJ 3613 Cow Relays 问题要求计算在给定的图中,从起点到终点恰好经过 $k$ 条边的最短路径。常规的暴力解法,即每次走一步更新最短路径,时间复杂度为 $O(k * n^3)$,效率较低。可利用二进制思想和矩阵快速幂的方法,将时间复杂度优化到 $O(logK * n^3)$ [^2]。 具体思路如下: 1. **图的表示**:使用邻接矩阵来表示图,矩阵中的元素 `mat[i][j]` 表示从节点 `i` 到节点 `j` 的最短距离,初始值设为无穷大 `INF`。 2. **矩阵乘法的定义**:普通矩阵乘法是对应元素相乘再相加,而这里定义的矩阵乘法是对应元素相加再取最小值。即 `C.mat[i][j] = min(C.mat[i][j], A.mat[i][k] + B.mat[k][j])`,表示从节点 `i` 经过节点 `k` 到节点 `j` 的最短距离。 3. **矩阵快速幂**:通过不断地将矩阵自乘,利用二进制的思想,快速计算出经过 $k$ 条边的最短路径矩阵。 4. **节点编号映射**:由于节点编号可能不连续,使用一个数组 `f` 来将原始节点编号映射到连续的编号,方便矩阵操作。 ### 代码实现 以下是实现该算法的 C++ 代码: ```cpp #include <stdio.h> #include <string.h> #include <algorithm> #include <iostream> using namespace std; #define INF ((1<<30)-1) int n; struct matrix { int mat[201][201]; matrix() { for(int i = 0; i < 201; i++) for(int j = 0; j < 201; j++) mat[i][j] = INF; } }; int f[2001]; matrix mul(matrix A, matrix B) { matrix C; int i, j, k; for(i = 1; i <= n; i++) { for(j = 1; j <= n; j++) { for(k = 1; k <= n; k++) { C.mat[i][j] = min(C.mat[i][j], A.mat[i][k] + B.mat[k][j]); } } } return C; } matrix powmul(matrix A, int k) { matrix B; for(int i = 1; i <= n; i++) B.mat[i][i] = 0; while(k) { if(k & 1) B = mul(B, A); A = mul(A, A); k >>= 1; } return B; } int main() { matrix A; int k, t, s, e, a, b, c; scanf("%d%d%d%d", &k, &t, &s, &e); int num = 1; while(t--) { scanf("%d%d%d", &c, &a, &b); if(f[a] == 0) f[a] = num++; if(f[b] == 0) f[b] = num++; A.mat[f[a]][f[b]] = A.mat[f[b]][f[a]] = c; } n = num - 1; A = powmul(A, k); cout << A.mat[f[s]][f[e]] << endl; return 0; } ``` ### 代码解释 1. **结构体 `matrix`**:定义了一个矩阵结构体,用于存储图的邻接矩阵,构造函数将矩阵元素初始化为无穷大。 2. **函数 `mul`**:实现了自定义的矩阵乘法,计算两个矩阵相乘的结果。 3. **函数 `powmul`**:实现了矩阵快速幂,通过不断地将矩阵自乘,快速计算出经过 $k$ 条边的最短路径矩阵。 4. **主函数 `main`**:读取输入数据,将节点编号映射到连续的编号,初始化邻接矩阵,调用 `powmul` 函数计算经过 $k$ 条边的最短路径矩阵,最后输出从起点到终点的最短距离。
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