BZOJ 2019 [Usaco2009 Nov]找工作

本文介绍了一种结合SPFA算法求解最长路径并判断是否存在正环的问题。通过具体实例讲解如何建立模型,并给出了完整的C++代码实现。适用于解决旅行中通过特定条件获得最大利益的问题。

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

仔细读了很长时间的题目,发现这是一道SPFA最长路+判正环的题目。

一旦题目出现正环 那么钱就是无限的了。直接输出-1

坐飞机我们可以认为连了一条负边权。

题目主要在于建模,实现并不算太难。

#include <cstdio>
#include <algorithm>
#include <cstring>
#include <queue>

using namespace std;

struct node{
    int u,v,w,next;
    node(){}
    node(int _u,int _v,int _w,int _next){
        u = _u;
        v = _v;
        w = _w;
        next = _next;
    }
}Edge[1005];

const int INF =0x3f3f3f3f;

int n,m,Fly,Start,money,Max;
int Count,head[1005],x,y,z;
int dis[1005];
int toQue[1005];
bool inque[1005];

void AddEdge(int u,int v,int w){
    Count++;
    Edge[Count]=node(u,v,w,head[u]);
    head[u]=Count;
}

bool spfa(){
    dis[Start]=money;
    queue<int>Q;
    Q.push(Start);
    inque[Start]=true;
    
    while( !Q.empty() ){
        int now = Q.front();
        Q.pop();
        inque[now]=false;
        toQue[now]++;
        if(toQue[now]>=n) return true;
        for(int i=head[now];i;i=Edge[i].next){
            int w = Edge[i].w;
            int v = Edge[i].v;
            if(dis[now]+w>dis[v]){
                dis[v] = dis[now]+w;
                if(!inque[v]){
                    Q.push(v);
                    inque[v]=true;
                }
            }
        }
    }
    return false;
}

int main(){
    memset(dis,-INF,sizeof(dis));
    scanf("%d%d%d%d%d",&money,&m,&n,&Fly,&Start);
    for(int i=1;i<=m;i++){
        scanf("%d%d",&x,&y);
        AddEdge(x,y,money);
    }
    for(int i=1;i<=Fly;i++){
        scanf("%d%d%d",&x,&y,&z);
        AddEdge(x,y,money-z);
    }
    if( spfa() ){
        printf("-1");
    }
    else {
        for(int i=1;i<=n;i++) Max = max(Max,dis[i]);
        printf("%d\n",Max);
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/OIerLYF/p/7517583.html

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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