【最短路】poj 1734 Sightseeing trip

本文深入探讨使用Floyd算法解决图论中的最小环问题,通过对比Dijkstra算法,介绍了Floyd算法在求解最短路径基础上寻找最小环的具体实现过程,包括路径记录和回溯方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  开头先放题目。防止走错》》》》

 


  

  这道题呢,poj对我们英语不好的人简直不友好(百度翻译-> https://fanyi.baidu.com/)。

  首先先说一下题意,n个点,由m条双向路连接。求从同一点开始结束的一条最短路。如果有好几条就随意输出一条(Special Judge 随便浪啊~)。

  看到这道题,我的第一反应就是求最短路。然而如果直接求的话.......是0没错。所以,我们要找的其实是最小环。


 

  而,一般的解决方法自然就是dijkstra:说实话,我没写过,不知道好不好写QAQ(闲的无聊你可以试试啊)。

  我们把任意两个有边相连的结点i j的直接距离加上i j间不包含边(边i -> j)的最短路径当做一个环的权

  所以呢?好像求最短路径我们第一个想到的就是Dijkstra算法啊。然而Dijkstra所求的是一个点到所有点的最短距离。这个最短距离一定是ij的直接距离(如果i j连通)。

  因此我们可以先将i  j的边从图中删除(若i j不连通,就当然不用删除啦),然后再用Dijkstra求新图中i、j的最短距离即可。

  解决方法就出来了:我们每次在图中选取一条边,把它从图中删掉.然后对删掉的那条边所对应的2个点去进行Dijkstra,也就是m次Dijkstra

  然而,对不起,好慢。拒绝。逃】


 

  所以介绍一个小东西(其实我也是刚学的,逃】)听说这玩意叫Folyd求最小环??(管他叫啥,会用就行了QAQ)这里简单讲解一下。

  Floyd->最小环?

  基本的判环应该懂吧?(不懂的话,请点右上角的 X 谢谢

  那么,对于一个最小环(至少三个点),那么肯定有一个点与左右两侧的点是直接连接的(即不经其他点的松弛)。所以呢,我们来证明一下。

该图假设a<b<k,且ab间的路已找出(无环)。

  首先假设k是会更新a点的最短路的最新点。我们看这个图,由于k点是最大的,而Floyd是从较小的点来循环的,所以可以保证是第一个环(最小)。所以这个小技巧其实就是裸的Floyd加一个记录路径啊。

Floyd的板子?我没写过所以给你们copy一个同组大佬的

void Floyd()
{
    for(int k=0;k<n;++k)
        for(int i=0;i<n;++i)
            for(int j=0;j<n;++j)
                    dj[i][j] = min(dj[i][j],dj[i][k]+dj[k][j]);
}

所以接下来如何记录路径..........?

  第一种写法(开数组记录):

  先开一个矩阵pre,它的定义是这样的:pre(ij)的值如果为p,就表示i到j的最短行经为i->p...->j。也就是说p就是i到j的最短行径中的j之前的第1个点。  然后就好做啦!

  对于i j来说找出pre(i j),值为p,就知道了路径i->p...->j;再去找pre(p j),如果值为q,p到j的最短路径为p->q...->j;再去找pre(qj),如果值为r,i到q的最短路径为q>r...-

>q;所以一再反复,就会得到答案。(如果你不会写??那就慢走不送

  放代码。

if((dis[i][j]+mp[j][k]+mp[k][i])<minn) {
    minn=dis[i][j]+mp[j][k]+mp[k][i];
    cnt=0;
    num[++cnt]=k;
    int sl=j;
    while(sl!=i) {
      num[++cnt]=sl;
        sl=pre[i][sl];
    }
    num[++cnt]=i;
}        

(代码极丑,不要照抄谢谢QAQ)


然后是第二种方法dfs回溯:

  这个就好理解多了吧........那我就一句带过啦。

void get(int x,int y)
{
    int mid=pre[x][y];
    if(!mid){
        path[num++]=y;
        return ;
    }
    get(x,mid);
    get(mid,y);
}

最后放上完整代码(因为我写的只有第一种方法,所以自然就只放一个啦)

#include<iostream>
#include<cstring>
#include<cstdio>
#include<cmath>
#include<queue>
#include<algorithm>
using namespace std;

const int inf=9999999;
const int MA=105;
int n,m,minn,cnt;
int mp[MA][MA],dis[MA][MA],pre[MA][MA],num[105];

void floyd() {
    minn=inf;
    for(int k=1;k<=n;k++) {
        for(int i=1;i<k;i++)
            for(int j=i+1;j<k;j++)
                if((dis[i][j]+mp[j][k]+mp[k][i])<minn) {
                    minn=dis[i][j]+mp[j][k]+mp[k][i];
                    cnt=0;
                    num[++cnt]=k;
                    int sl=j;
                    while(sl!=i) {
                        num[++cnt]=sl;
                        sl=pre[i][sl];
                    }
                    num[++cnt]=i;
                }
        for(int i=1;i<=n;i++)
            for(int j=1;j<=n;j++)
                if(dis[i][j]>(dis[i][k]+dis[k][j])) {
                    dis[i][j]=dis[i][k]+dis[k][j];
                    pre[i][j]=pre[k][j];
                }
    }
    return;
}

int main()
{
    scanf("%d%d",&n,&m);
    for(int i=1;i<=n;i++)
        for(int j=1;j<=n;j++) {
            pre[i][j]=i;
            if(i==j) mp[i][j]=dis[i][j]=0;
            else mp[i][j]=dis[i][j]=inf;
        }
    for(int i=1;i<=m;i++) {
        int a,b,c;
        scanf("%d%d%d",&a,&b,&c);
        mp[a][b]=min(mp[a][b],c);
        mp[b][a]=min(mp[b][a],c);
        dis[b][a]=min(dis[a][b],c);
        dis[a][b]=min(dis[b][a],c);
    }
    floyd();
    if(minn==inf) cout<<"No solution."<<endl;
    else 
        for(int i=cnt;i>=1;i--) cout<<num[i]<<" ";
    return 0;
}

写的极丑,一看就是我的风格!!

最后放上数据...(好像刚刚忘了 逃】).....

因为博客好难写所以中间有不雅语言请见谅(我懒的删了),拜拜!

 

转载于:https://www.cnblogs.com/qxyzili--24/p/10423686.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
内容概要:本文详细介绍了哈希表及其相关概念和技术细节,包括哈希表的引入、哈希函数的设计、冲突处理机制、字符串哈希的基础、哈希错误率分析以及哈希的改进与应用。哈希表作为一种高效的数据结构,通过键值对存储数据,能够快速定位和检索。文中讨论了整数键值和字符串键值的哈希方法,特别是字符串哈希中的多项式哈希及其优化方法,如双哈希和子串哈希的快速计算。此外,还探讨了常见的冲突处理方法——拉链法和闭散列法,并提供了C++实现示例。后,文章列举了哈希在字符串匹配、长回文子串、长公共子字符串等问题中的具体应用。 适合人群:计算机科学专业的学生、算法竞赛选手以及有一定编程基础并对数据结构和算法感兴趣的开发者。 使用场景及目标:①理解哈希表的工作原理及其在各种编程任务中的应用;②掌握哈希函数的设计原则,包括如何选择合适的模数和基数;③学会处理哈希冲突的方法,如拉链法和闭散列法;④了解并能运用字符串哈希解决实际问题,如字符串匹配、回文检测等。 阅读建议:由于哈希涉及较多数学知识和编程技巧,建议读者先熟悉基本的数据结构和算法理论,再结合代码实例进行深入理解。同时,在实践中不断尝试不同的哈希策略,对比性能差异,从而更好地掌握哈希技术。
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