网络流 - order(BZOJ 1391)

本文深入探讨了最大流算法在网络流问题中的应用,通过具体的编程实现,详细讲解了如何利用最大流算法解决实际问题。文章包括算法原理、代码实现及实例解析。

传送门


Analysis

建立虚点,向每个工作连一条流量为该工作可以赚的钱数
每个工作向其需要的机器连接流量为租金的边
每个机器向汇点连接一条流量为购买费用的边
然后跑最大流

至于为什么这样可以做
可以同这道题类比

Code
#include<bits/stdc++.h>
#define in read()
#define re register
using namespace std;
inline int read(){
	char ch;int f=1,res=0;
	while((ch=getchar())<'0'||ch>'9') if(ch=='-') f=-1;
	while(ch>='0'&&ch<='9'){
		res=(res<<1)+(res<<3)+(ch^48);
		ch=getchar();
	}
	return f==1?res:-res;
}
const int inf = 1e9;
const int N=3000,M=4e6;
int n,m;
int S,T;
int lev[N],cur[N];
int nxt[M],to[M],cap[M],ecnt=1,head[N];
inline void add(int x,int y,int w){
	nxt[++ecnt]=head[x];head[x]=ecnt;to[ecnt]=y;cap[ecnt]=w;
	nxt[++ecnt]=head[y];head[y]=ecnt;to[ecnt]=x;cap[ecnt]=0;
}
bool bfs(){
	queue<int> q;
	for(re int i=S;i<=T;++i) lev[i]=-1,cur[i]=head[i];
	q.push(S);lev[S]=0;
	while(!q.empty()){
		int u=q.front();
		q.pop();
		for(re int e=head[u];e;e=nxt[e]){
			int v=to[e];
			if(lev[v]!=-1||cap[e]<=0) continue;
			lev[v]=lev[u]+1;
			if(v==T) return 1;
			q.push(v);
		}
	}
	return 0;
}
int dinic(int u,int flow){
	if(u==T) return flow;
	int delta,res=0;
	for(re int &e=cur[u];e;e=nxt[e]){
		int v=to[e];
		if(lev[v]>lev[u]&&cap[e]){
			delta=dinic(v,min(flow-res,cap[e]));
			if(delta){
				cap[e]-=delta;cap[e^1]+=delta;
				res+=delta;if(res==flow) return res;
			}
		}
	}
	return res;
}
int main(){
	int sum=0;
	n=in;m=in;S=0;T=n+m+1;
	for(re int i=1;i<=n;++i){
		int get=in,num=in;
		add(0,i,get);sum+=get;
		for(re int j=1;j<=num;++j){
			int id=in,c=in;
			add(i,id+n,c);
		}
	}
	for(re int i=1;i<=m;++i){
		int v=in;
		add(n+i,T,v);
	}
	int maxflow=0;
	while(bfs()) maxflow+=dinic(S,inf);
	cout<<sum-maxflow;
	return 0;
}


后记

stO hxy Orz
(感谢dalao带我飞︿( ̄︶ ̄)︿)
网上题解清一色“简单的建图”
但……一开始我并没有想出来
本想弃了,看代码
但是%%%hxy%%%鼓励我想想想想
然后~~~~
嘻嘻嘻,同太空飞行计划就做出来啦
果然要多见,多思!!!

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