bzoj 2965 平面图+暴力+网络流

本文介绍了一种通过平面图转换为对偶图的方法,并使用最小割算法来解决特定问题。通过对点集进行暴力枚举,确定保护点集,最终求得最小割。文章包含详细的算法实现代码。

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

平面图转对偶图

暴力枚举保护那些点

然后求最小割即可

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<queue>
using namespace std;
#define maxn 4000
#define maxp 12
#define ll long long
#define inf 0x3fffffff
struct P{
int a,b;
}a1[maxn],p1[12];
int n,m,p;
int nn=1;
int e[maxn],ne[maxn],v[maxn],w[maxn];
int ver[maxn],he[maxn],nex[maxn],u[maxn];
void add(int x,int y,int z){
ne[++nn]=e[x],e[x]=nn,v[nn]=y,w[nn]=z;
}
int nn1=1;
void add1(int x,int y,int z){
nex[++nn1]=he[x],he[x]=nn1,u[nn1]=z,ver[nn1]=y;
}
ll mul(P x,P y,P z){
return (ll)(y.a-x.a)*(z.b-x.b)-(ll)(y.b-x.b)*(z.a-x.a);
}
int sn,s[maxn],cnt,in[maxn];
void dfs(int ee){
if(in[ee])return;
s[++sn]=ee;
in[ee]=cnt;
int y=v[ee],x=v[ee^1],now=0;
ll temp,t1,t2;
for(int i=e[y];i;i=ne[i])if(i!=(ee^1)){
t1=mul(a1[y],a1[x],a1[v[i]]);
t2=mul(a1[y],a1[v[i]],a1[v[now]]);
if(!now||temp>=0&&t1<=0||((t1<0&&temp<0||t1>0&&temp>0)&&t2<0)){
temp=t1,now=i;
}
}
dfs(now);
}
bool cross(P x1,P y1,P x2,P y2){
ll t1=mul(x1,y1,x2),t2=mul(x1,y1,y2),t3=mul(x2,y2,x1),t4=mul(x2,y2,y1);
if((t1<0&&t2>0||t1>0&&t2<0)&&(t3>0&&t4<0||t3<0&&t4>0))return 1;
return 0;
}
bool ins(int x){
int j=0;
for(int i=1;i<=sn;i++)if(cross(a1[v[s[i]]],a1[v[s[i]^1]],p1[x],(P){919941229,919940311}))j++;
return j&1;
}
int cc[12];
int S,T;
ll solv(){
ll sum=0;
for(int i=1;i<=sn;i++)sum+=mul((P){0,0},a1[v[s[i]^1]],a1[v[s[i]]]);
return sum;
}
int ch[maxn];
int tot;
bool bfs(){
for(int i=1;i<=S;i++)ch[i]=-1;
queue<int> jj;
jj.push(S);
ch[S]=0;
while(!jj.empty()){
int x=jj.front();
jj.pop();
for(int i=he[x];i;i=nex[i]){
if(ch[ver[i]]==-1&&u[i]){
ch[ver[i]]=ch[x]+1;
jj.push(ver[i]);
}
}
}
if(ch[T]!=-1)return 1;
return 0;
}
int zeng(int x,int mm){
if(x==T)return mm;
int r=mm;
for(int i=he[x];i&&r;i=nex[i])if(u[i]&&ch[ver[i]]==ch[x]+1){
int k=zeng(ver[i],min(u[i],r));
u[i]-=k;
u[i^1]+=k;
r-=k;
}
if(r==mm)ch[x]=-1;
return mm-r;
}
int dinic(){
int r=0,tt;
while(bfs())while(tt=zeng(S,inf))r+=tt;
return r;
}
int ans[maxn];
int main(){
scanf("%d%d%d",&p,&n,&m);
for(int i=1;i<=p;i++)scanf("%d%d",&p1[i].a,&p1[i].b);
for(int i=1;i<=n;i++)scanf("%d%d",&a1[i].a,&a1[i].b);
for(int i=1;i<=m;i++){
int a,b,c;
scanf("%d%d%d",&a,&b,&c);add(a,b,c);add(b,a,c);
}
for(int i=2;i<=nn;i++)if(!in[i]){
cnt++;
sn=0;
dfs(i);
if(solv()<0)T=cnt;
else for(int j=1;j<=p;j++)if(ins(j))cc[j]=cnt;
}
S=cnt+1;
for(int i=1;i<=p;i++)ans[i]=inf;
for(int op=1;op<(1<<p);op++){
int kk=0;
nn1=1;
memset(he,0,sizeof(he));
for(int i=1;i<=p;i++)if((1<<i-1)&op){
kk++;
add1(S,cc[i],inf);
add1(cc[i],S,0);
}
for(int i=2;i<=nn;i++)if(i&1){
add1(in[i],in[i^1],w[i]);
add1(in[i^1],in[i],w[i]);
}
ans[kk]=min(ans[kk],dinic());
}
for(int i=1;i<=p;i++){
cout<<ans[i]<<endl;
}
}

 

转载于:https://www.cnblogs.com/wangyucheng/p/3616792.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,再由大模型做最终决策。 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
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