poj 3259 bellman-ford

本文分享了使用Bellman-Ford算法求解负权回路的实战经验,详细介绍了算法的实现过程,包括如何初始化距离数组,进行松弛操作以及检测是否存在负权回路。通过具体代码示例,展示了如何在给定的图中应用该算法。

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

    这题是用bellman-ford求负权回路的问题。数组一定要开5100以上,不然会RE。这是我写的第二题Bellman-ford,写得很顺手了。加油加油~

#include <iostream>
#include <fstream>

using namespace std;
#define MAX 5100
#define FAR 10001

int k,n;  //k为边数 n为顶点数
int dist[MAX];

struct node{
    int start,end;
    int weight;
}edge[MAX];

bool Bellman_ford()
{
    int s,e,t;
    int i,j;
    for(i=1; i<n; i++)
    {
        bool finish=true;
        for(j=0; j<k; j++)
        {
            s=edge[j].start;
            e=edge[j].end;
            t=edge[j].weight;
            if(dist[e]>dist[s]+t)
            {
                dist[e]=dist[s]+t;
                finish=false;
            }
        }
        if(finish)  break;
    }
    for(i=0; i<k; i++)
    {
        s=edge[i].start;
        e=edge[i].end;
        t=edge[i].weight;
        if(dist[e]>dist[s]+t)
        {
            dist[e]=dist[s]+t;
            return true;
        }
    }
    return false;
}

int main()
{
    int farms,s,e,t;
    int i,m,w;
    freopen("acm.txt","r",stdin);
    scanf("%d",&farms);
    while(farms--)
    {
        k=0;
        for(i=0; i<MAX; i++)
        {
             dist[i]=FAR;  //默认最大
        }
        scanf("%d%d%d",&n,&m,&w);
        for(i=0; i<m; i++)
        {
            scanf("%d%d%d",&s,&e,&t);
            edge[k].start=s;
            edge[k].end=e;
            edge[k++].weight=t;
            edge[k].start=e;
            edge[k].end=s;
            edge[k++].weight=t;
        }
        //可退回t seconds
        for(i=0; i<w ;i++)
        {
            scanf("%d%d%d",&s,&e,&t);
            edge[k].start=s;
            edge[k].end=e;
            edge[k++].weight=-t;
        }
        if(Bellman_ford())  printf("YES\n");
        else printf("NO\n");
    }
    return 0;
}

 

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