POJ3281,最大流拆点

本文介绍如何使用最大流算法解决牛的食物和饮料需求分配问题,通过拆点技巧确保每头牛仅能获得一种食物和一种饮料,提供详细的算法实现代码。

题目链接:Dining
入手的最大流第一题。
题目的意思是说,每个牛都有喜欢的饮料和食物,怎样分配才能最大限度地满足牛的需求。
如果去掉一个饮料,那么就是每个牛都有喜欢的食物,怎样最大限度地分配。这就是最大二分图匹配问题,用最大流做就是,从源点向每头牛连一条容量为1的边,然后每头牛向喜欢的食物连一条容量为1的边,最后由食物向汇点连一条容量为1的边,最后求最大流即可解决问题。
但是这道题多了饮料,我们可以模仿上面,源点向食物连边,食物向牛连边,牛向饮料连边,饮料向汇点连边,再求最大流。但是,这样做出来的答案是不对的,因为题目要求的是一头牛只可以拥有一种食物和饮料,如果按照那样做,就有可能一头牛拥有多种食物和饮料。所以,我们将牛进行拆点,然后这两点间连一条容量为1的边,表示牛只能选择一种食物和饮料,然后跑最大流就行了。
代码如下:

/*************************************************************************
	> File Name: main.cpp
	> Author:Eagles 
	> Mail:None 
	> Created Time: 2018年09月26日 星期三 10时58分40秒
	> Description:POJ3281 
 ************************************************************************/

#include<iostream>
#include<cstdio>
#include<cmath>
#include<cstring>
#include<algorithm>
#include<vector>
#include<stack>
#include<bitset>
#include<cstdlib>
#include<set>
#include<list>
#include<deque>
#include<map>
#include<queue>
using namespace std;
#define N 1000

struct node
{
    int to;
    int nex;
    int val;
}E[N*N];

int head[N],lev[N];
int cnt,n,f,d;
int S,T;

void addEdge(int a, int b, int c)
{
    E[cnt].to=b;
    E[cnt].val=c;
    E[cnt].nex=head[a];
    head[a]=cnt++;

    E[cnt].to=a;
    E[cnt].val=0;
    E[cnt].nex=head[b];
    head[b]=cnt++;
}

void init()//[0,f+d]这个区间的点是食物和饮料,之后的每队点代表一头牛
{
    memset(head,-1,sizeof(head));
    cnt=0;
    S=0;
    T=2*n+f+d+1;

    for (int i=1; i<=f; i++)
        addEdge(S,i,1);
    for (int i=f+1; i<=f+d; i++)
        addEdge(i,T,1);

    for (int i=1; i<=n; i++)
    {
        int le=f+d+i*2-1; 
        int ri=le+1;

        int num1, num2;
        scanf("%d%d",&num1,&num2);
        while (num1--)
        {
            int a;
            scanf("%d",&a);
            addEdge(a,le,1);
        }
        
        while (num2--)
        {
            int b;
            scanf("%d",&b);
            addEdge(ri,f+b,1);
        }

        addEdge(le,ri,1);
    }
}

bool bfs()
{
    memset(lev,0,sizeof(lev));
    queue<int>q;
    q.push(S);
    lev[S]=1;

    while (!q.empty())
    {
        int u=q.front();
        q.pop();

        for (int i=head[u]; i!=-1; i=E[i].nex)
        {
            int v=E[i].to;

            if (E[i].val>0&&lev[v]==0)
            {
                lev[v]=lev[u]+1;
                q.push(v);

                if (v == T)
                    return true;
            }
        }
    }

    return false;
}

int dfs(int u, int f)
{
    if (u==T)
        return f;

    int tag=0;

    for (int i=head[u]; i!=-1; i=E[i].nex)
    {
        int v=E[i].to;

        if (E[i].val>0 && lev[v]==lev[u]+1)
        {
            int d=dfs(v,min(f-tag,E[i].val));

            E[i].val-=d;
            E[i^1].val+=d;
            tag+=d;

            if (tag==f)
                return f;
        }
    }

    return tag;
}

int Dinic()
{
    int ans=0;
    int inf=1000000;

    while (bfs())
    {
        ans+=dfs(S,inf);
    }

    return ans;
}

int main()
{
    while (~scanf("%d%d%d",&n,&f,&d))
    {
        init();
        printf("%d\n",Dinic());
    }
    return 0;
}

拆点----一个有用的技巧。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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