hdu 1162

主题思想,最小生成树,prim算法

prim算法最好的情况下使用优先队列,所有边的集合E每次输出距离最小生成树节点距离最小的边。到MST 集合中,MST代表组成最小生成树的集合。

这里利用循环来代替优先队列。 核心思想还是每次选取最小的。
最小生成树代码

double  prim(){
    vector<int> v;
    double ans=0;
    memset(visited,false,sizeof(visited));
    v.push_back(0);
    visited[0]=true;
    while(true){
        if(v.size()==n)break;
        int len=v.size();
        double mm=INF;
        int pre=0;
        int index=-1;
        //mst  set
        for(int i=0;i<len;i++){
            //all edge set
            for(int j=0;j<n;j++){
                // e-mst set
                if(j!=v[i]&&!visited[j]){
                    if(dist[v[i]][j]<mm){
                        mm=dist[v[i]][j];
                        pre=v[i];
                        index=j;
                    }
                }
            }
        }
        v.push_back(index);
        visited[index]=true;
        ans+=dist[pre][index];
    }
    return ans;

}

AC 代码

#include <iostream>
#include<cstdio>
#include<cstring>
#include<queue>
#include<cmath>
const int maxn=105;

const double eps=1e-8;

const double INF=1<<30-1;
using namespace std;

struct Point{

    double x;
    double y;

};
Point point[maxn];
double Distance(Point a,Point b){
    double dist;

    dist=sqrt((a.x-b.x)*(a.x-b.x)+(a.y-b.y)*(a.y-b.y));
    return dist;
}
int n;

double dist[maxn][maxn];
bool visited[maxn];


double  prim(){
    vector<int> v;

    double ans=0;
    memset(visited,false,sizeof(visited));

    v.push_back(0);
    visited[0]=true;
    while(true){

        if(v.size()==n)break;

        int len=v.size();

        double mm=INF;
        int pre=0;
        int index=-1;
        for(int i=0;i<len;i++){
            for(int j=0;j<n;j++){

                if(j!=v[i]&&!visited[j]){

                    if(dist[v[i]][j]<mm){

                        mm=dist[v[i]][j];
                        pre=v[i];
                        index=j;

                    }
                }
            }
        }
        v.push_back(index);
        visited[index]=true;
        ans+=dist[pre][index];
    }

    return ans;

}
int main()
{

    while(scanf("%d",&n)!=EOF){

        for(int i=0;i<n;i++){

            scanf("%lf%lf",&point[i].x,&point[i].y);

            dist[i][i]=0;
        }

        for(int i=0;i<n;i++){

            for(int j=i+1;j<n;j++){
                dist[i][j]=Distance(point[i],point[j]);
                dist[j][i]=dist[i][j];
            }
        }

        //prim

        double ans=prim();
        printf("%.2lf\n",ans);
    }

    return 0;
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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