UVA 1267 Network

题意:给出t组数据,每组给出n个点,original server s(根),到达s的最大路径不超过k,求满足叶子结点到server的路径不超过k需要增加的server个数。

知识点大概是……贪心+无根树→有根树,首先把无根树转化为以s为根的树(dfs建树),然后按深度将节点放到邻接表里,一层一层从叶子结点向根的方向遍历,每向上搜索k级还未找到server,ans+1,

并更新节点访问情况。

emmmmmm……图的知识点都还没开始学的感觉,这里先记笔记记笔记,码下邻接表对树的实现方法和dfs建树不啦不啦啥的。

#include<iostream>   //greedy 自叶子向上遍历 
#include<algorithm>
#include<vector> 
#include<string.h>
using namespace std;
const int MAX=1e3+5;
vector<int>g[MAX],node[MAX];
int n,s,k,pa[MAX],t;
bool vis[MAX];
void build(int u,int v,int d) //转化为以s为根的树 
{
    pa[u]=v;
    int siz=g[u].size();
    if(siz==1&&d>k) //度为1的为叶子结点 
    node[d].push_back(u);  //按深度把u插入node中 
    for(int i=0;i<siz;i++)
    {
        int c=g[u][i]; 
        if(c!=v) build(c,u,d+1); 
    }
}
void dfs(int u,int v,int d) //覆盖到服务器不超过k的节点 
{
    vis[u]=1;
    int siz=g[u].size();
    for(int i=0;i<siz;i++)
    {
        int c=g[u][i];
        if(c!=v&&d<k)
        dfs(c,u,d+1);
    }
}
int solve()
{
    int ans=0;
    for(int d=n-1;d>k;d--)
    {
        for(int i=0;i<node[d].size();i++) //从叶子节点向上遍历 
        {
            int u=node[d][i];
            if(vis[u]) continue;
            int v=u;
            for(int j=0;j<k;j++)  //找到u的k级祖先 
                u=pa[u];
               dfs(u,-1,0); //在u处放服务器,并覆盖u k级以内的子女 
               ans++;
        }
    }
    return ans; 
}
int main()
{
    ios::sync_with_stdio(false);
    cin>>t;
    while(t--)
    {
        cin>>n>>s>>k;
        memset(vis,0,sizeof(vis));
        for(int i=0;i<=n;i++)
        {
            g[i].clear();
            node[i].clear();
        }
        for(int i=0;i<n-1;i++)
        {
         int a,b;
         cin>>a>>b;
         g[a].push_back(b);  //vector实现邻接表 
         g[b].push_back(a);
        } 
        build(s,-1,0);
    cout<<solve()<<endl;
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/Egoist-/p/7615753.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