COJ 1129 送货到家 (状态压缩DP)

本文介绍了一种使用状态压缩动态规划解决n个城市最短Hamilton回路问题的方法,其中n小于等于15。通过将状态表示为二进制数并进行状态转移,最终找到从任意起点到所有城市恰好一次且返回起点的最短路径。讨论了边界条件和NoAnswer情况的处理,提供了一个实用的算法实现。

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

模型:求n个城市的最短hamilton回路,n<=15。

分析:看到n<=15这样的条件容易想到状态压缩DP。hamilton回路其实就是n个城市的一个圆排列,任选一个起点最后的结果都一样,我们不妨设结点0为起点,状态设计也就不难了。

状态设计:d[s][last],表示从结点0出发,已经走过的结点构成状态s,最后走的结点为last;

状态转移:d[s][last]=MIN(d[ns][k]+g[k][last]),ns为s中去掉last那一位,k为ns中是1的位(不能是起点0);

边界:当s中只有2位是1的时候,说明从0结点出发,到达last,所以直接返回g[0][last]。

结果:ans=MIN(d[(1<<n)-1][k]+g[0][k]),k=1,2……n-1

说明:这题坑爹的是NoAnswer的情况,题目没说明白,其实邻接矩阵中的0代表INF,说明不连通,就因为这个原因WA到吐血,最后问A了的人才明白。

View Code
#include <stdio.h>
#include <string.h>
#define N 16
#define INF 0x3f3f3f3f
#define MIN(a,b) ((a)<(b)?(a):(b))
int n;
int g[N][N];
int dp[1<<N][N];
int DP(int s,int last)
{
    if(dp[s][last]!=-1) return dp[s][last];

    int ns=s^(1<<last);
    if(ns==1)    return  dp[s][last]=g[0][last];

    int ret=INF;
    for(int i=1;i<n;i++)
    {
        if((ns^(1<<i))<ns)  ret=MIN(ret,DP(ns,i)+g[i][last]);
    }
    return dp[s][last]=ret;
}
int main()
{
    int i,j;
    while(~scanf("%d",&n))
    {
        for(i=0;i<n;i++)
        {
            for(j=0;j<n;j++)
            {
                scanf("%d",&g[i][j]);
                if(g[i][j]==0 && i^j)   g[i][j]=INF;
            }
        }
        int ans=INF;
        memset(dp,0xff,sizeof(dp));
        for(i=n-1;i;i--)
        {
            ans=MIN(ans,DP((1<<n)-1,i)+g[0][i]);
        }
        if(n==1)    ans=0;
        if(n==2)    ans=2*g[0][1];
        if(ans<INF) printf("%d\n",ans);
        else    puts("NoAnswer");
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/algorithms/archive/2012/08/05/2623622.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