UVa 11600

有一个n个点m条边的无向图,你初始在1号点,每次移动你会等概率随机选择除了你所在的点之外的某个点,如果这两个点之间还没有边则连一条边,求使整个图联通的期望步数。

$$1 \leq n \leq 30,0 \leq m \leq \frac{n(n-1)}{2}$$

先缩点,然后设$f(S)$为当前联通块中的点为$S$这个集合时使图联通的期望步数,$\text{cnt}_S$为$S$中点数,$\text{belong}_i$为$i$所属联通块,则有

$$f(S)=\frac{n-1}{n-\text{cnt}_S} + \sum_{i \notin S} \frac{1}{n-\text{cnt}_S} f(S \cup \text{belong}_i)$$

前面的式子由几何级数推出,边界是$f(V)=0$,用哈希表存状态,记搜就可以过了。(但这样过不了极限数据,比较迷。。。)

const int MAXN = 30 + 5;

struct DSU {
  int fa[MAXN];
  
  void init(int n) {
    For(i, 1, n)
      fa[i] = i;
  }
  
  int find(int x) {
    return fa[x] == x ? x : fa[x] = find(fa[x]);
  }
  
  bool same(int x, int y) {
    return find(x) == find(y);
  }
  
  void merge(int x, int y) {
    if (!same(x, y))
      fa[fa[y]] = fa[x];
  }
} U;

int bel[MAXN], linker[MAXN], n, m;

std::unordered_map < int, double > f;

double DP(int S) {
  int cnt = __builtin_popcount(S);
  if (cnt >= n)
    return 0;
  auto it = f.find(S);
  if (it != f.end())
    return it->S;
  double res = 1.0 * (n - 1) / (n - cnt);
  For(i, 1, n)
    if (!(S & (1 << i)))
      res += 1.0 * 1 / (n - cnt) * DP(S | linker[bel[i]]);
  return f[S] = res;
}

int main() {
  int _;
  scanf("%d", &_);
  For(i, 1, _) {
    memset(linker, 0, sizeof linker);
    scanf("%d%d", &n, &m);
    U.init(n);
    f.clear();
    For(i, 1, m) {
      int u, v;
      scanf("%d%d", &u, &v);
      U.merge(u, v);
    }
    For(i, 1, n)
      linker[bel[i] = U.find(i)] += 1 << i;
    printf("Case %d: %.10f\n", i, DP(linker[bel[1]]));
  }
  return 0;
}

 

转载于:https://www.cnblogs.com/sjkmost/p/9778762.html

内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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