luogu P2057

题目链接

题意

有n个人,和m对朋友关系,每个人有一个01标记,给每个人重新安排01标记,如果于其本来的标记不同,或者一对朋友的01标记不同,择算作一次冲突,问最少会有几次冲突。

解法

最小割,首先开两个点S,T分别表示一个人原来的编号是0还是1,然后每个人向对应的节点连边,然后每对朋友之间也连边,注意这里连双向边,因为朋友关系是相互的。这里割一条边的意义相当于发生了一次冲突。

#include<bits/stdc++.h>
using namespace std;
const int maxn=4e5+5;
inline int read(){
	char c=getchar();int t=0,f=1;
	while(!isdigit(c)){if(c=='-')f=-1;c=getchar();}
	while(isdigit(c)){t=(t<<3)+(t<<1)+(c^48);c=getchar();}
	return t*f;
}
int n,m,s,t;
struct edge{
	int v,p,w;
}e[maxn<<1];
int h[maxn],cnt=1;
inline void add(int a,int b,int c){
	e[++cnt].p=h[a];
	e[cnt].v=b;
	e[cnt].w=c;
	h[a]=cnt;
}
const int inf=0x3f3f3f3f;
int dis[maxn];
bool bfs(){
	queue<int> q;
	memset(dis,0,sizeof(dis));
	dis[s]=1;
	q.push(s);
	while(!q.empty()){
		int u=q.front();q.pop();
		for(int i=h[u];i;i=e[i].p){
			int v=e[i].v;
			if(e[i].w&&(dis[v]==0)){
				dis[v]=dis[u]+1;
				q.push(v);
			}
		}
	}
	return dis[t];
}
int ht[maxn];
int dfs(int u,int rest){
	if(rest==0||u==t){return rest;}
	int tot=0;
	for(int &i=ht[u];i;i=e[i].p){
		int v=e[i].v;
		if(e[i].w&&dis[v]==dis[u]+1){
			int di=dfs(v,min(e[i].w,rest));
			rest-=di;tot+=di;
			e[i].w-=di;e[i^1].w+=di;
			if(rest==0)break;
		}
	}
	return tot;
}
int dinic(){
	int ans=0;
	while(bfs()){
		int di=0;
		for(int i=1;i<=t;i++)ht[i]=h[i];
		while(di=dfs(s,inf))ans+=di;
	}
	return ans;
}
int main(){
	n=read(),m=read();
	s=n+1,t=n+2;
	for(int i=1;i<=n;i++){
		int a=read();
		if(a){
			add(s,i,1);
			add(i,s,0);
		}
		else{
			add(i,t,1);
			add(t,i,0);
		}
	}
	for(int i=1;i<=m;i++){
		int x=read(),y=read();
		add(x,y,1);
		add(y,x,1);
	}
	printf("%d\n",dinic());
	return 0;
}

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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