LightOJ-1094 求树直径,水

本文介绍了一种解决LightOJ1094问题的方法,该问题要求计算给定树的直径。解决方案通过两次搜索实现:首先从任意节点开始找到距离最远的节点,然后以此节点为根再次搜索,最终确定树的最大直径。

LightOJ 1094

题意:给出一棵树求直径。

总结:搜两次即可。先任意找一个点为根找到离它最远的点,再以这个点为根找离它最远的距离。

// LightOJ-1094 
#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<algorithm>
#include<cstring>
#include<string>
#include<cmath>
#include<queue>
#include<stack>
#include<map>
#include<bitset>
#include<vector>
#include<set>
using namespace std;
#pragma comment(linker, "/STACK:102400000,102400000")
#define F(i,a,b)  for (int i=a;i<b;i++)
#define FF(i,a,b) for (int i=a;i<=b;i++)
#define mes(a,b)  memset(a,b,sizeof(a))
#define INF 0x3f3f3f3f
typedef long long ll;
const int N = 1e5+10;

int T, cas, n, tot, dis[N], head[N], vis[N];
struct Edge { int to, next, w; }edge[N];

void Addedge(int u, int v, int w)
{
    edge[tot].to=v;
    edge[tot].w=w;
    edge[tot].next=head[u];
    head[u]=tot++;
}
void dfs(int u)
{
    vis[u]=1;
    for(int e=head[u]; e!=-1; e=edge[e].next) {
        int v=edge[e].to, w=edge[e].w;
        if(vis[v]==0) {
            dis[v]=dis[u]+w;
            dfs(v);
        }
    }
}
void Solve()
{
    dfs(0);
    int mi, maxn=-INF;
    FF(i,0,n-1) if(maxn<dis[i]) maxn=dis[i], mi=i;
    mes(dis, 0);  mes(vis, 0);
    dfs(mi);
    FF(i,0,n-1) if(maxn<dis[i]) maxn=dis[i], mi=i;
    printf("Case %d: %d\n", cas, maxn);
}
int main()
{
    scanf("%d", &T);
    for(cas=1; cas<=T; cas++) {
        tot=0;  mes(vis, 0);  mes(dis, 0);  mes(head, -1);
        scanf("%d", &n);
        FF(i,1,n-1) {
            int u, v, w;
            scanf("%d%d%d", &u, &v, &w);
            Addedge(u, v, w);
            Addedge(v, u, w);
        }
        Solve();
    }

    return 0;
}
View Code

转载于:https://www.cnblogs.com/sbfhy/p/6349942.html

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  | 博主筛选后可见
 
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