HDU 3829 Cat VS Dog

本文介绍了一种解决二分图中最大点独立集问题的方法。通过将喜欢猫和喜欢狗的人作为两个集合,利用二分图特性,计算最大点独立集。文章提供了完整的C++代码实现,展示了如何通过匹配算法求解该问题。

二分图的最大点独立集

人可以看成两个集合,喜欢猫的那群人内部肯定不会冲突,喜欢狗的那群人内部也不可能冲突,冲突只可能发生在喜欢猫与喜欢狗的人之间,那么只要在发生冲突的人之间连边,计算一下最大点独立集就是答案了。对于一个二分图,最大点独立=N-最大匹配。

#include<cstdio>
#include<cstring>
#include<cmath>
#include<vector>
#include<queue>
#include<algorithm>
using namespace std;

const int INF=0x7FFFFFFF;
const int MAXN=505;
int nx,ny;
int g[MAXN][MAXN];
int cx[MAXN],cy[MAXN];
int mk[MAXN];

int N,M,P;
char Lik[MAXN][50],Dis[MAXN][50];

void init()
{
    memset(g,0,sizeof g);
    nx=P,ny=P;
}

int path(int u)
{
    for(int v=1; v<=ny; v++)
    {
        if(g[u][v]&&!mk[v])
        {
            mk[v]=1;
            if(cy[v]==-1||path(cy[v]))
            {
                cx[u]=v;
                cy[v]=u;
                return 1;
            }
        }
    }
    return 0;
}

int MaxMatch()
{
    int res=0;
    memset(cx,-1,sizeof(cx));
    memset(cy,-1,sizeof(cy));
    for(int i=1; i<=nx; i++)
    {
        if(cx[i]==-1)
        {
            memset(mk,0,sizeof(mk));
            res=res+path(i);
        }
    }
    return res;
}

bool Fail(int x,int y)
{
    if(strcmp(Lik[x],Dis[y])==0) return true;
    if(strcmp(Lik[y],Dis[x])==0) return true;
    return false;
}

int main()
{
    while(~scanf("%d%d%d",&N,&M,&P))
    {
        init();
        int tot=0;
        for(int i=1; i<=P; i++) scanf("%s%s",Lik[i],Dis[i]);
        for(int i=1; i<=P; i++)
            for(int j=1; j<i; j++)
                if(Fail(i,j))
                {
                    if(Lik[i][0]=='C') g[i][j]=1;
                    else g[j][i]=1;
                }
        printf("%d\n",P-MaxMatch());
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/zufezzt/p/4797931.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。最后,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