压力

压力

内存限制:128 MiB 时间限制:1000 ms 标准输入输出
 
 
题目描述

如今,路由器和交换机构建起了互联网的骨架。处在互联网的骨干位置的核心路由器典型的要处理100Gbit/s的网络流量。他们每天都生活在巨大的压力之下。
小强建立了一个模型。这世界上有N个网络设备,他们之间有M个双向的链接。这个世界是连通的。在一段时间里,有Q个数据包要从一个网络设备发送到另一个网络设备。
一个网络设备承受的压力有多大呢?很显然,这取决于Q个数据包各自走的路径。不过,某些数据包无论走什么路径都不可避免的要通过某些网络设备。
你要计算:对每个网络设备,必须通过(包括起点、终点)他的数据包有多少个?

输入格式

第一行包含3个由空格隔开的正整数N,M,Q。
接下来M行,每行两个整数u,v,表示第u个网络设备(从1开始编号)和第v个网络设备之间有一个链接。u不会等于v。两个网络设备之间可能有多个链接。
接下来Q行,每行两个整数p,q,表示第p个网络设备向第q个网络设备发送了一个数据包。p不会等于q。

输出格式

输出N行,每行1个整数,表示必须通过某个网络设备的数据包的数量。

样例
样例输入
4 4 2
1 2
1 3
2 3
1 4
4 2
4 3
样例输出
2
1
1
2
数据范围与提示
样例解释

设备1、2、3之间两两有链接,4只和1有链接。4想向2和3各发送一个数据包。显然,这两个数据包必须要经过它的起点、终点和1。

数据规模和约定

对于40%的数据,N,M,Q≤2000
对于60%的数据,N,M,Q≤40000
对于100%的数据,N≤100000,M,Q≤200000

通过打这个题,我知道了自己码力有多么弱。

首先如果路径上有割点一定是必经点,然后如果是环上的点(除了割点)一定有多条路径可以到,所以环上(除了割点起点终点)都不必经。

所以点双缩点,重新建图(普通建图or圆方)

那么对于每组询问lca加普通树差标记一下,

对于每组询问拿数组zz记录起点终点,

最后dfs扫一遍

,结束时如果不为割点,直接输出zz

否则输出dfs扫出的ans

没什么好说的。

必经点模版题

#include<bits/stdc++.h>
#define ll long long
#define pt printf("******\n")
#define A 1000000
using namespace std;
ll tot=0,head[A],sta[A],low[A],dfn[A],nxt[A],ver[A],deep[A],belong[A],cut[A];
ll tc=0,head_c[A],nxt_c[A],ver_c[A],sz[A],f[A][30],ans[A],zz[A];
ll n,m,q,t,num=0,cnt=0,root,top=0;
vector<ll> scc[A];
bool flag[A],vis[A];
void add(ll x,ll y){
    nxt[++tot]=head[x],head[x]=tot,ver[tot]=y;
}
void add_c(ll x,ll y){
    nxt_c[++tc]=head_c[x],head_c[x]=tc,ver_c[tc]=y;
}
void tarjan(ll x){
    low[x]=dfn[x]=++num;
    sta[++top]=x;ll vis=0;
    if(x==root&&!head[x])
    {
        cnt++;
        belong[x]=cnt;
        scc[cnt].push_back(x);
    }
    for(ll i=head[x];i;i=nxt[i]){
        ll y=ver[i];
        if(!dfn[y]){
            tarjan(y);
            low[x]=min(low[x],low[y]);
            if(dfn[x]<=low[y]){
                vis++;
                if(x!=root||vis>1) cut[x]=1;
                cnt++;
                ll z;
                do{
                    z=sta[top--];
                    belong[z]=cnt;
                    scc[cnt].push_back(z);
                }while(z!=y);
                belong[x]=cnt;
                scc[cnt].push_back(x);
            }
        }
        else low[x]=min(low[x],dfn[y]);
    }
}
inline ll lca(ll x,ll y){
    if(deep[x]>deep[y]) swap(x,y);
    ll w;
    for(w=0;(1<<w)<=deep[y];w++);
    w--;
    for(ll i=w;i>=0;i--)
    {
//        printf("deep[%lld]=%lld deep[%lld]=%lld f[%lld]=%lld\n",x,deep[x],y,deep[y],i,f[y][i]);
        
        if(deep[x]<=deep[f[y][i]]) y=f[y][i];
        if(deep[x]==deep[y]) break;
    }
    if(x==y) return x;
    for(ll i=w;i>=0;i--){
        if(f[x][i]!=f[y][i]) x=f[x][i],y=f[y][i];
    }
    return f[y][0];
}
void dfs2(ll x,ll de){
    deep[x]=de;flag[x]=1;
    for(ll i=head_c[x];i;i=nxt_c[i]){
        ll y=ver_c[i];
        if(flag[y])
            continue;
        f[y][0]=x;
        dfs2(y,de+1);
    }
}
ll dfs3(ll x){
    vis[x]=1;
    for(ll i=head_c[x];i;i=nxt_c[i]){
        ll y=ver_c[i];
        if(vis[y]) continue;
        ll to=dfs3(y);
        ans[x]+=to;
    }
    return ans[x];
}
int main(){
//    freopen("mkd.txt","r",stdin);
//    freopen("wa.txt","w",stdout);
    scanf("%lld%lld%lld",&n,&m,&q);
    t=log(n)/log(2)+5;
    for(ll i=1;i<=m;i++){
        ll x,y;
        scanf("%lld%lld",&x,&y);
        add(x,y);add(y,x);
    }
    for(ll i=1;i<=n;i++){
        if(!dfn[i]) root=i,tarjan(i);
    }
    num=cnt;
    for(ll i=1;i<=n;i++)
    if(cut[i]) belong[i]=++num/*,printf("gd=%lld\n",i)*/;
    for(ll i=1;i<=cnt;i++){
        ll size=scc[i].size();
        for(ll j=0;j<size;j++){
            if(cut[scc[i][j]]){
                add_c(i,belong[scc[i][j]]);
                add_c(belong[scc[i][j]],i);
            }
        }
    }
    dfs2(1,1),f[1][0]=1;
    for(ll j=1;j<=t;j++)
        for(ll i=1;i<=num;i++)
            f[i][j]=f[f[i][j-1]][j-1];
    /*for(ll i=1;i<=n;i++){
        printf("belong=%lld\n",belong[i]);    
    }
    for(ll i=1;i<=num;i++)
    {
        printf("deep[i]=%lld f[i][0]=%lld belong=%lld\n",deep[belong[i]],f[belong[i]][0],belong[i]);
    }*/
    for(ll i=1;i<=q;i++){
        ll x,y;
        scanf("%lld%lld",&x,&y);
        ll lc=lca(belong[x],belong[y]);
//        cout<<lc<<endl;
        zz[x]++,zz[y]++;
//        printf("x=%lld y=%lld lc=%lld lf=%lld\n",belong[x],belong[y],lc,f[lc][0]);
        ans[belong[x]]++;
        ans[belong[y]]++;
        ans[lc]--;
        if(f[lc][0]!=lc)ans[f[lc][0]]--;
    }
    dfs3(1);
    for(ll i=1;i<=n;i++){
        if(cut[i]) cout<<ans[belong[i]]<<endl;
        else cout<<zz[i]<<endl;
    }
    return 0;
}
View Code

 


 

转载于:https://www.cnblogs.com/znsbc-13/p/11191540.html

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 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
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