BZOJ 1997 [Hnoi2010]Planar

本文介绍了一种使用2-SAT算法来判断平面图中是否存在哈密顿回路的方法,并提供了完整的代码实现。通过将平面图中的边转化为点,利用2-SAT算法来确定每条边是否属于哈密顿回路。

题目链接

https://www.lydsy.com/JudgeOnline/problem.php?id=1997

思路

平面图上的边要么在哈密顿回路内,要么在哈密顿回路外。每条边视为两个点,然后2-sat解决。

代码

#include <cstdio>
#include <cstring>
#include <algorithm>

const int maxn=1200;
const int maxm=800000;

int read()
{
  int x=0,f=1;
  char ch=getchar();
  while((ch<'0')||(ch>'9'))
    {
      if(ch=='-')
        {
          f=-f;
        }
      ch=getchar();
    }
  while((ch>='0')&&(ch<='9'))
    {
      x=x*10+ch-'0';
      ch=getchar();
    }
  return x*f;
}

int pre[maxm+10],now[maxn+10],son[maxm+10],tot;
int t,n,m,u[maxn+10],v[maxn+10],c[maxn+10],cntm;
int dfn[maxn+10],low[maxn+10],cnt,cntl,top,stack[maxn+10];
int belong[maxn+10],instack[maxn+10],pos[maxn+10];

inline int ins(int a,int b)
{
  pre[++tot]=now[a];
  now[a]=tot;
  son[tot]=b;
  return 0;
}

int tarjan(int u)
{
  dfn[u]=low[u]=++cnt;
  stack[++top]=u;
  instack[u]=1;
  int j=now[u];
  while(j)
    {
      int v=son[j];
      if(!dfn[v])
        {
          tarjan(v);
          low[u]=std::min(low[u],low[v]);
        }
      else if(instack[v])
        {
          low[u]=std::min(low[u],dfn[v]);
        }
      j=pre[j];
    }
  if(dfn[u]==low[u])
    {
      ++cntl;
      int w=0;
      while(w!=u)
        {
          w=stack[top--];
          belong[w]=cntl;
          instack[w]=0;
        }
    }
  return 0;
}

int main()
{
  t=read();
  while(t--)
    {
      memset(now,0,sizeof now);
      memset(dfn,0,sizeof dfn);
      memset(belong,0,sizeof belong);
      cntm=cnt=cntl=tot=0;
      n=read();
      m=read();
      for(int i=1; i<=m; ++i)
        {
          u[i]=read();
          v[i]=read();
        }
      for(int i=1; i<=n; ++i)
        {
          c[i]=read();
        }
      if(m>3*n-6)
        {
          puts("NO");
          continue;
        }
      for(int i=1; i<=n; ++i)
        {
          pos[c[i]]=i;
        }
      for(int i=1; i<=m; ++i)
        {
          u[i]=pos[u[i]];
          v[i]=pos[v[i]];
          if(u[i]>v[i])
            {
              std::swap(u[i],v[i]);
            }
          if((v[i]-u[i]==1)||((u[i]==1)&&(v[i]==n)))
            {
              continue;
            }
          u[++cntm]=u[i];
          v[cntm]=v[i];
        }
      m=cntm;
      for(int i=1; i<=m; ++i)
        {
          for(int j=1; j<i; ++j)
            {
              if(((u[i]<u[j])&&(v[i]<v[j])&&(v[i]>u[j]))
                 ||((u[i]>u[j])&&(v[i]>v[j])&&(u[i]<v[j])))
                {
                  ins(2*i-1,2*j);
                  ins(2*j,2*i-1);
                  ins(2*i,2*j-1);
                  ins(2*j-1,2*i);
                }
            }
        }
      for(int i=1; i<=2*m; ++i)
        {
          if(!dfn[i])
            {
              tarjan(i);
            }
        }
      int flag=1;
      for(int i=1; i<=m; ++i)
        {
          if(belong[2*i-1]==belong[2*i])
            {
              puts("NO");
              flag=0;
              break;
            }
        }
      if(flag)
        {
          puts("YES");
        }
    }
  return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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