bzoj1093: [ZJOI2007]最大半连通子图

本文探讨了如何通过缩点将半联通子图转换为链状结构,并利用拓扑排序解决特定问题。文章详细介绍了算法实现,包括深度优先搜索(DFS)进行强连通分量(SCC)划分、重边处理、以及基于SCC的图构建和最短路径计算。

认真想一想这个半联通子图缩完点以后其实就是一条链

topsort里面记录下即可

注意缩完点后会有重边,要判掉

#include<cstdio>
#include<iostream>
#include<cstring>
#include<cstdlib>
#include<algorithm>
#include<cmath>
#include<map>
using namespace std;
int mod;

struct node
{
    int x,y,next;
}a[2100000];int len,last[110000];
void ins(int x,int y)
{
    len++;
    a[len].x=x;a[len].y=y;
    a[len].next=last[x];last[x]=len;
}
int z,dfn[110000],low[110000];
int top,sta[110000];bool v[110000];
int cnt,belong[110000],tot[110000];
void SCC(int x)
{
    dfn[x]=low[x]=++z;
    sta[++top]=x;v[x]=true;
    for(int k=last[x];k;k=a[k].next)
    {
        int y=a[k].y;
        if(dfn[y]==0)
        {
            SCC(y);
            low[x]=min(low[x],low[y]);
        }
        else if(v[y]==true)
            low[x]=min(low[x],dfn[y]);
    }
    if(dfn[x]==low[x])
    {
        int i;cnt++;
        do
        {
            i=sta[top];top--;
            v[i]=false;
            belong[i]=cnt;
            tot[cnt]++;
        }while(i!=x);
    }
}
node e[2100000];int elen,elast[110000];
void eins(int x,int y)
{
    elen++;
    e[elen].x=x;e[elen].y=y;
    e[elen].next=elast[x];elast[x]=elen;
}
map<int,bool>mp[110000];
int du[110000];
void composition()
{
    elen=0;memset(elast,0,sizeof(elast));
    memset(du,0,sizeof(du));
    for(int i=1;i<=len;i++)
        if(belong[a[i].x]!=belong[a[i].y]&&mp[belong[a[i].x]][belong[a[i].y]]==false)
        {
            mp[belong[a[i].x]][belong[a[i].y]]=true;
            eins(belong[a[i].x],belong[a[i].y]);
            du[belong[a[i].y]]++;
        }
}

int f[110000],g[110000];
int main()
{
    freopen("a.in","r",stdin);
    freopen("a.out","w",stdout);
    int n,m,x,y;
    scanf("%d%d%d",&n,&m,&mod);
    len=0;memset(last,0,sizeof(last));
    for(int i=1;i<=m;i++)
    {
        scanf("%d%d",&x,&y);
        ins(x,y);
    }
    z=top=cnt=0;
    memset(dfn,0,sizeof(dfn));
    memset(low,0,sizeof(low));
    memset(v,false,sizeof(v));
    memset(tot,0,sizeof(tot));
    for(int i=1;i<=n;i++)
        if(dfn[i]==0)SCC(i);
    composition();

    top=0;
    memset(f,0,sizeof(f));
    memset(g,0,sizeof(g));
    for(int i=1;i<=cnt;i++)
        if(du[i]==0)sta[++top]=i,f[i]=tot[i],g[i]=1;
    while(top!=0)
    {
        int x=sta[top];top--;
        for(int k=elast[x];k;k=e[k].next)
        {
            int y=e[k].y;
            if(f[y]<f[x]+tot[y])
            {
                f[y]=f[x]+tot[y];
                g[y]=g[x];
            }
            else if(f[y]==f[x]+tot[y])
                g[y]=(g[x]+g[y])%mod;
            
            du[y]--;if(du[y]==0)sta[++top]=y;
        }
    }
    int ans=0,sum=0;
    for(int i=1;i<=n;i++)
        if(f[i]>ans)ans=f[i],sum=g[i];
        else if(f[i]==ans)sum=(sum+g[i])%mod;
    printf("%d\n%d\n",ans,sum);
    
    return 0;
}

 

转载于:https://www.cnblogs.com/AKCqhzdy/p/9883156.html

多源数据接入 支持校园各业务系统数据接入:包括教务系统(学生成绩、课程信息)、学工系统(奖惩记录、资助信息)、后勤系统(宿舍分配、能耗数据)、书馆系统(借阅记录、馆藏信息)、一卡系统(消费数据、门禁记录)等。 接入方式:提供数据库直连(MySQL、SQL Server)、文件导入(CSV、Excel、JSON)、API 接口调用等多种方式,支持实时同步与定时批量同步。 数据标准化与治理 建立校园数据标准体系:统一数据格式(如日期格式、学号编码规则)、定义核心数据元(如 “学生” 包含学号、姓名、专业等必选字段)、规范代码集(如性别代码 “1 - 男,2 - 女”)。 数据清洗:自动检测并处理缺失值、重复值、异常值(如成绩 > 100 分),过规则引擎实现数据校验(如 “学生年龄需在 16-30 岁之间”)。 元数据管理:记录数据来源、格式、更新频率、负责人等信息,生成数据血缘谱,追踪数据从产生到应用的全生命周期。 二、数据共享与交换核心功能 分布式数据存储 基于 Hadoop HDFS 实现海量数据存储:结构化数据(成绩、消费记录)存入 HBase,非结构化数据(文档、片、视频)直接存储于 HDFS,日志类数据过 Flume 采集至 HDFS。 支持数据分片与副本机制,确保数据高可用(默认 3 副本存储),满足校园 PB 级数据存储需求。 数据交换引擎 构建点对点数据交换道:各部门系统可过交换引擎向平台上传数据或申请获取授权数据,支持同步 / 异步交换模式。 交换流程管理:定义数据交换规则(如 “学工系统每日向平台同步新增学生信息”),记录交换日志(成功 / 失败状态、数据量),失败时自动重试。 数据脱敏:对敏感数据(如身份证号、银行卡号)在交换过程中进行脱敏处理(如显示 “110********5678”),兼顾共享与隐私保护。
用户信息管理 支持用户注册(手机号 / 社交账号登录)、个人信息完善(如年龄、性别、饮食禁忌、偏好菜系等)。 记录用户行为数据:浏览历史、收藏 / 点赞美食、评分记录(1-5 星)、消费记录(如外卖订单、到店消费)、搜索关键词等。 美食数据管理 存储美食基础信息:名称、分类(中餐 / 西餐 / 日料等)、类别(川菜 / 粤菜 / 汉堡等)、食材、口味标签(辣 / 甜 / 清淡等)、价格区间、商家信息(名称、地址、评分)、片等。 支持商家入驻与信息更新,管理员审核美食数据合规性(如食材描述真实性)。 二、协同过滤推荐核心功能 基于用户的协同过滤(User-based CF) 计算用户相似度:过用户对美食的评分、浏览记录等行为,使用余弦相似度 / 皮尔逊相关系数识别 “相似用户群体”(如用户 A 和用户 B 对 80% 的川菜评分一致)。 生成推荐:向目标用户推送 “相似用户喜欢但目标用户未体验过” 的美食(如相似用户高分推荐的新川菜馆)。 基于物品的协同过滤(Item-based CF) 计算美食相似度:分析用户对不同美食的共同评分 / 点击行为,挖掘美食间的关联(如 “点过麻婆豆腐的用户中有 70% 也点过回锅肉”)。 生成推荐:为用户推送 “与已喜欢美食相似” 的菜品(如用户刚收藏了水煮鱼,推荐酸菜鱼、毛血旺)。 混合推荐策略 结合两种协同过滤算法结果,根据场景动态调整权重(如冷启动用户优先基于物品的推荐,活跃用户侧重基于用户的推荐)。 融合用户显式偏好(如标注 “不吃辣”)过滤推荐结果,避免无效推荐。 三、用户交互与推荐展示 个性化推荐页 首页展示 “为你推荐” 列表,按推荐优先级排序,显示美食片、名称、匹配度(如 “98% 的相似用户喜欢”)、用户评分、距离(适用于到店推荐)等。 支持按场景筛选推荐(如 “午餐推荐”“周末聚餐推荐”“性价比推荐”)。
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