2070 爱情之路

2070 爱情之路

 

 时间限制: 1 s
 空间限制: 128000 KB
 题目等级 : 钻石 Diamond
 查 看运行结果
 
 
题目描述 Description

 yh非常想念他的女朋友小y, 于是他决定前往小y所在的那块大陆。

小y所在的大陆共有n个城市,m条双 向路,每条路连接一个或两个城市。经过一条路ei需要耗费时间ti。此外,每条 路均有一个特定标识,为’L’,’O’,’V’,’E’,中的某个字母。yh从1号城 市出发,前往位于n号城市的小y所在处。

为了考验yh,小y规定,yh必须按照 ‘L’->’O’->’V’->’E’->’L’->’O’->’V’-> ’E’->.... 的顺序选择路,且所走的第一条路是’L’,最后一条路是 ’E’,每走完一个完整的’LOVE’算是通过一次考验

在不违背小y要求的前提下,yh想花 费最少的时间到达小y的所在地,同在此时间内完成最多次考验。你能帮yh算出, 他最少要花多久到达城市n,完成多少次考验呢?

输入描述 Input Description

第一行为两个整数n,m表示有n个城 市,m条双向路。

第2行到第m+1行,每行有3个整数x ,y,t和一个字符char,城市x,y之间有路,通过这条路花费的时间为t,这条路 的特殊标志为 char。

输出描述 Output Description

输出1行,两个整数表示yh到达城市 n花费的最少时间和该时间内通过的最多次考验数,如果不能到达则输出’ HOLY SHIT!’

样例输入 Sample Input

【样例输入1】

4 4

1 2 1 L

2 1 1 O

1 3 1 V

3 4 1 E

【样例输入2】

4 4

1 2 1 L

2 3 1 O

3 4 1 V

4 1 1 E

样例输出 Sample Output

【样例输出1】

4 1

【样例输出2】

HOLY SHIT!

数据范围及提示 Data Size & Hint

对于100%数据,1≤n≤1314,0≤M ≤13520

分类标签 Tags 点此展开 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

题解:

限制型最短路(我起的名字)

设两个状态。

L,O,V,E分别与1、2、3、4对应

dis[i][j(1~4)]表示走到i点时的字 母为j的最短路

注意更新时,要用“>=”。因为路径长度相同时, 考验数会增多

AC代码:

#include<cstdio>
#include<cstring>
#include<queue>
#include<iostream>
using namespace std;
inline const int read(){
    register int x=0,f=1;
    register char ch=getchar();
    while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
    while(ch>='0'&&ch<='9'){x=(x<<3)+(x<<1)+ch-'0';ch=getchar();}
    return x*f;
}
inline const char in(){
    for(register char ch=getchar();;ch=getchar()) if(ch>='A'&&ch<='Z') return ch;
}
const int N=1e4+10;
struct ss{
    int v,w,logo,next;
}e[N<<4];
struct node{
    int id,logo;
    node(int id=0,int logo=0):id(id),logo(logo){}
};
int n,m,tot,dis[N][5],cnt[N][5],head[N];
bool vis[N][5];
void add(int x,int y,int z,int t){
    e[++tot].v=y;
    e[tot].w=z;
    e[tot].logo=t;
    e[tot].next=head[x];
    head[x]=tot;
}
void spfa(){
    memset(dis,0x3f3f3f3f,sizeof dis);
    queue<node>q;
    q.push(node(1,0));
    vis[1][0]=1;
    dis[1][0]=0;
    cnt[1][0]=0;
    while(!q.empty()){
        node h=q.front();q.pop();
        vis[h.id][h.logo]=0;
        for(int i=head[h.id];i;i=e[i].next){
            if(e[i].logo==(h.logo%4+1)&&dis[e[i].v][e[i].logo]>=dis[h.id][h.logo]+e[i].w){
                dis[e[i].v][e[i].logo]=dis[h.id][h.logo]+e[i].w;
                cnt[e[i].v][e[i].logo]=cnt[h.id][h.logo]+1;
                if(!vis[e[i].v][e[i].logo]){
                    vis[e[i].v][e[i].logo]=1;
                    q.push(node(e[i].v,e[i].logo));
                }
            }
        }
    }
    if(dis[n][4]!=0x3f3f3f3f) printf("%d %d",dis[n][4],cnt[n][4]>>2);
    else puts("HOLY SHIT!");
}
char c;
int main(){
    n=read();m=read();
    for(int i=1,x,y,z,t;i<=m;i++){
        x=read();y=read();z=read();c=in();
        switch(c){
            case 'L':t=1;break;
            case 'O':t=2;break;
            case 'V':t=3;break;
            case 'E':t=4;break;
        }
        add(x,y,z,t);
        add(y,x,z,t);
    }
    spfa();
    return 0;
}

 

 

 

转载于:https://www.cnblogs.com/shenben/p/6004547.html

<think>好的,我现在需要处理用户的问题,用户想要查找爱情之冠”相关的代码实现。首先,我需要分析用户的需求。用户提到的“爱情之冠”可能是指某种算法或者项目名称,但根据提供的引用内容来看,引用[1]和引用[3]中提到了“爱情”作为动态权重调整策略的隐喻,特别是在特征选择算法中使用信任度模型,比如依恋系数来调整参数。例如,引用[1]中提到“爱情变量中的信任度模型(如依恋系数)调整”和“动态权重调整策略”,这可能用户所说的“爱情之冠”相关。 接下来,我需要检查用户提供的引用内容,看看是否有直接提到“爱情之冠”的代码或相关实现。在引用[1]和引用[3]中,虽然提到了结合多种算法(如CPO、HO、PSO、GWO、GA)进行特征选择和参数优化,但并没有直接出现“爱情之冠”这一术语。引用[2]是一个Python文章生成器的代码示例,似乎用户的问题无关。 因此,推测用户可能误记了名称,或者“爱情之冠”是某种特定实现的别称,可能指的是在动态权重调整中使用爱情隐喻的算法组合,比如CPO(冠豪猪优化)其他算法的结合。例如,引用[1]中的CPO+HO+PSO组合可能被用户称为“爱情之冠”,其中涉及动态权重调整策略,模拟了爱情中的信任属性。 接下来,我需要根据引用内容,构建一个可能的代码框架,结合动态权重调整的特征选择算法,可能涉及到遗传算法、粒子群优化等,并加入信任度模型。例如,动态调整α、β、γ参数,初期重视准确率(高α),后期重视特征压缩(高β)。同时,引用[3]提到混合优化方法,如GWO和PSO的结合,这可能也是相关部分。 需要注意代码的结构,比如特征选择SVM参数优化同时进行,可能使用二进制编码表示特征选择,连续变量调整SVM的C和γ参数。此外,信任度模型的实现可能涉及根据迭代次数调整权重,例如使用依恋系数随时间变化的方式。 最后,需要确保代码示例符合用户提供的引用中的方法,并正确解释各部分的作用,同时回答用户可能的相关问题,比如动态权重调整、算法组合优势等。此外,用户可能的问题可能涉及如何实现信任度模型,不同算法的集成策略,或者实际应用案例,如鳑鲏鱼生态数据建模中的效果。</think>根据引用内容,“爱情”变量在算法中被用作动态权重调整的隐喻机制[^1][^3],可能爱情之冠”存在关联。以下是结合引用[1][^1]和引用[3][^3]的混合优化算法实现框架: ### 动态权重调整实现(Python示例) ```python import numpy as np from sklearn.svm import SVC from sklearn.model_selection import cross_val_score # 信任度模型:模拟爱情变量中的依恋系数 def dynamic_weights(iteration, max_iter): # 初期高α优先准确率,后期增加β压缩特征维度 alpha = 0.8 * (1 - iteration/max_iter) beta = 0.2 * (iteration/max_iter) gamma = 0.1 # 固定平衡系数 return alpha, beta, gamma # 目标函数(特征选择+SVM参数优化) def objective_function(position, data, labels): # 二进制部分:前n_dim为特征选择标记 feature_mask = position[:n_dim] > 0.5 # 连续部分:SVM参数C和gamma C = 10 ** (position[-2] * 4 - 2) # 范围: 0.01~100 gamma = 10 ** (position[-1] * 4 - 2) # 动态权重计算 alpha, beta, gamma = dynamic_weights(current_iter, max_iter) # 计算适应度 svm = SVC(C=C, gamma=gamma) score = cross_val_score(svm, data[:,feature_mask], labels).mean() fitness = alpha*score - beta*np.sum(feature_mask) return fitness ``` ### 算法组合流程 1. **编码设计** - 使用$n+2$维向量:前$n$位二进制编码特征选择,后2位连续值编码SVM参数 - 示例:当$n=50$时,解空间为$52$维向量 2. **级联优化策略** ```python def hybrid_optimization(): # 第一阶段:CPO全局搜索(冠豪猪优化) population = initialize_population() for iter in range(50): update_weights(iter) # 根据爱情信任度模型调整 population = cpo_search(population) # 第二阶段:PSO局部微调 velocity = initialize_velocity() for iter in range(50): update_inertia(iter) # 线性递减惯性权重 population, velocity = pso_update(population, velocity) ``` 3. **关键参数设置** $$ \begin{cases} \alpha(t) = 0.8 \times (1 - t/T_{\text{max}}) \\ \beta(t) = 0.2 \times (t/T_{\text{max}}) \\ v_{ij}(t+1) = wv_{ij}(t) + c_1r_1(p_{ij}-x_{ij}) + c_2r_2(g_j-x_{ij}) \end{cases} $$ 其中$t$为当前迭代次数,$T_{\text{max}}$为总迭代次数[^1][^3]
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