J - Architect of Your Own Fortune -hah-first blood -二分图.

本文介绍了一种基于二分图匹配的算法实现方法,通过计算两个不同集合中元素之间的匹配关系来解决特定问题。该算法利用了键图方式进行匹配,并通过具体的代码实现了这一过程。
  • J - Architect of Your Own Fortune

  •  Gym - 101243J 
  • 注意键图方式进行二分图匹配。
  • #include<bits/stdc++.h>
    using namespace std;
    #define maxn 550
    int a[maxn],b[maxn],mmp[maxn][maxn],first[maxn],n,m;
    bool vis[maxn];
    bool deal(int x)
    {
        for(int j=0; j<m; j++)
        {
            if(mmp[x][j]!=0&&vis[j]==0)
            {
                vis[j]=1;
                if(first[j]==-1||deal(first[j]))
                {
                    first[j]=x;
                    return 1;
                }
            }
        }
        return 0;
    }
    int main()
    {
        int one,two,ans=0;
        cin>>n>>m;
        memset(mmp,0,sizeof(mmp));
        memset(first,-1,sizeof(first));
        for(int i=0; i<n; i++)
        {
            cin>>a[i];
        }
        for(int i=0; i<m; i++)
            cin>>b[i];
        for(int i=0; i<n; i++)
        {
            one=a[i]/100000+a[i]/10000%10+a[i]/1000%10;
            for(int j=0; j<m; j++)
            {
                two=b[j]%10+b[j]/10%10+b[j]/100%10;
                if(one==two)
                    mmp[i][j]=1;
            }
        }
        for(int i=0; i<m; i++)
        {
            one=b[i]/100000+b[i]/10000%10+b[i]/1000%10;
            for(int j=0; j<n; j++)
            {
                two=a[j]%10+a[j]/10%10+a[j]/100%10;
                if(one==two)
                    mmp[j][i]=2;
            }
        }
        for(int i=0; i<n; i++)
        {
            memset(vis,0,sizeof(vis));
            if(deal(i))
                ans++;
        }
        cout<<ans<<endl;
        for(int i=0; i<m; i++)
            if(first[i]!=-1)
            {
                if(mmp[first[i]][i]==1)
                    cout<<"AT "<<a[first[i]]<<" "<<b[i]<<endl;
                else
                    cout<<"TA "<<b[i]<<" "<<a[first[i]]<<endl;
            }
        return 0;
    }
内容概要:本文系统研究了基于CNN-SVM的卷积神经网络与支持向量机融合的数据分类预测方法,聚焦其在工业故障识别中的应用,提供了完整的Matlab代码实现。通过CNN提取输入数据的深层空间特征,再由SVM进行高精度分类,充分发挥两者优势,有效提升了故障识别的准确性、鲁棒性与泛化能力。该方法特别适用于处理电力系统、机械设备等领域的高维、非线性、强噪声监测数据,在变压器故障诊断、轴承缺陷识别等场景中具有重要应用价值。文档还整合了机器学习、深度学习、图像处理、路径规划、电力系统优化等多个前沿科研方向的技术资源,配套大量Matlab/Simulink仿真案例与Python代码,全面支持科研复现与工程实践。; 适合人群:具备一定编程基础,熟练掌握Matlab或Python语言,从事电气工程、自动化、人工智能、机械故障诊断等相关领域研究的研发人员及高校研究生; 使用场景及目标:① 实现工业设备的状态监测与多类别故障分类;② 深入理解CNN与SVM融合模型的设计原理与工程实现细节;③ 借助所提供的丰富算法案例开展科研复现、模型优化与系统仿真验证; 阅读建议:建议按照文档目录结构系统化学习,结合百度网盘提供的完整代码资源进行动手实践,重点关注CNN特征提取层与SVM分类器之间的数据接口设计与参数调优策略,同时可延伸学习文中涉及的其他智能算法及其在电力系统、信号处理等领域的交叉应用,全面提升科研创新能力。
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