[倍增思想/变种最短路] 跑路

本文解析了一道关于寻找最短路径的算法题,通过使用空间跑路器概念,结合倍增思想与预处理技巧,实现了从起点到终点的最小时间计算。问题背景设定在了小A使用特殊设备赶往公司的情境下,通过构造有向图并应用复杂算法,最终得出最优解。

【题目描述】

       小A的工作不仅繁琐,更有苛刻的规定,要求小A每天早上在6:00之前到达公司,否则这个月工资清零。可是小A偏偏又有赖床的坏毛病。于是为了保住自己的工资,小A买了一个十分牛B的空间跑路器,每秒钟可以跑2^k千米(k是任意数)。当然,这个机器是用longint存的,所以总跑路长度不能超过maxlongint千米。小A的家到公司的路可以看做一个有向图,小A家为点1,公司为点n,每条边长度均为一千米。小A想每天能醒地尽量晚,所以让你帮他算算,他最少需要几秒才能到公司。数据保证1到n至少有一条路径。

【输入说明】

       第一行两个整数n,m,表示点的个数和边的个数。

       接下来m行每行两个数字u,v,表示一条u到v的边。

【输出说明】

       一行一个数字,表示到公司的最少秒数。

【样例输入】

       4 4

       1 1

       1 2

       2 3

       3 4

【样例输出】

       1

【样例解释】

       1->1->2->3->4,总路径长度为4千米,直接使用一次跑路器即可。

【数据范围】

       50%的数据满足最优解路径长度<=1000;

       100%的数据满足n<=50,m<=10000,最优解路径长度<=maxlongint。

【我的AC代码】

#include <iostream>
#include <cstdio>
#include <cmath>
#include <cstring>
#include <vector>
#include <queue>
#include <algorithm>
using namespace std;
int n,m,ans[150][150];
bool f[150][150][32];
int main()
{
    freopen("road.in","r",stdin);
    freopen("road.out","w",stdout);
    scanf("%d%d",&n,&m);
    int x,y;
    for(int i=1;i<=m;i++)
    {
        scanf("%d%d",&x,&y);
        f[x][y][0]=1;//能2^0次方到达 
    }
    for(int ii=1;ii<=30;ii++)
     for(int k=1;k<=n;k++)
      for(int i=1;i<=n;i++)
       for(int j=1;j<=n;j++)
        f[i][j][ii]|=f[i][k][ii-1]&f[k][j][ii-1];//倍增思想,把能一步到达的都搞出来
    for(int i=1;i<=n;i++)
     for(int j=1;j<=n;j++)
      ans[i][j]=1047483647;
    for(int k=0;k<=30;k++)
     for(int i=1;i<=n;i++)
      for(int j=1;j<=n;j++)
       if(f[i][j][k]) {ans[i][j]=1;}//预处理,能一步到达的路径 
    for(int k=1;k<=n;k++)
     for(int i=1;i<=n;i++)
      for(int j=1;j<=n;j++)
       ans[i][j]=min(ans[i][j],ans[i][k]+ans[k][j]); //把跑路次数当作距离,求最短“距离” 
    cout<<ans[1][n];
    return 0;
}

 

转载于:https://www.cnblogs.com/Miniweasel/p/9886667.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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