BZOJ 4289 PA2012 Tax 差分优化最短路建边

本文介绍了一道 NOIP 2018 的最短路径问题,通过将点转化为边、边转化为点的方法,优化原始问题,采用排序和 Dijkstra 算法求解,最终实现 Θ(mlogm) 的复杂度。

题目链接戳我

首先可以看一下这篇博客… 讲的非常详细

首先发现边权并不是直接与边有关

有个比较显然的转化 考虑把点当做边,边看成点

在新的图跑最短路那么就是最后的答案

这样做复杂度最坏到达 Θ(m2) Θ ( m 2 ) 一个菊花图就可以卡满复杂度

考虑优化建边 首先考虑对于一个点的出边按照边权排序

从小到大往前连边, 边权为两条边差值,这样子在新图中走的一条链恰好就是在原图中的选择两条边,并且边权累加起来也满足题目限制

大的边往小的连边权为0的 因为大的边最大值显然就是它的边权了 就不用去累其他的了

每一条边还要向自己对应的反向边连一条权值为自身的边 这样子跑 Dijkstra D i j k s t r a 就可以过了

复杂度 Θ(mlogm) Θ ( m l o g m )

Codes
#include<bits/stdc++.h>

#define mp make_pair
#define pb push_back
#define x first
#define y second

using namespace std;

typedef long long ll;
typedef pair<int, int> PII;
typedef pair<ll, int> PLI;

const int N = 1e5 + 10;
const int M = 4e5 + 10;

int to[M], head[N], nxt[M], v[M], e = 1;
int n, m, s, t;

vector<PII> G[M]; PII tmp[M]; ll dis[M];

template<class T>inline bool chkmin(T &_, T __) {return _ > __ ? _ = __, 1 : 0;}

void add(int x, int y, int z) {
    to[++ e] = y; nxt[e] = head[x]; head[x] = e; v[e] = z;
}

ll Dijkstra() {
    priority_queue<PLI, vector<PLI>, greater<PLI>> q;
    for(int i = 1; i <= t; ++ i) dis[i] = 1e18;
    q.push(mp(dis[s] = 0, s));
    while(!q.empty()) {
        PLI k = q.top(); q.pop();
        if(k.x > dis[k.y]) continue;
        for(auto v : G[k.y]) {
            if(chkmin(dis[v.y], k.x + v.x))
                q.push(mp(dis[v.y], v.y));
        }
    }
    return dis[t];
}

int main() {
#ifndef ONLINE_JUDGE
    freopen("illness.in", "r", stdin);
    freopen("illness.out", "w", stdout);
#endif
    int x, y, z, cnt = 0;
    scanf("%d%d", &n, &m);
    for(int i = 1; i <= m; ++ i) {
        scanf("%d%d%d", &x, &y, &z);
        add(x, y, z), add(y, x, z);
        // ziji lian ziji
        G[e].pb(mp(z, e ^ 1));
        G[e ^ 1].pb(mp(z, e));
    }
    s = e + 1, t = s + 1;
    for(int i = head[1]; i; i = nxt[i])
        G[s].pb(mp(v[i], i)); // qidian
    for(int i = head[n]; i; i = nxt[i])
        G[i ^ 1].pb(mp(v[i], t)); //zhongdian
    for(int k = 1; k <= n; ++ k, cnt = 0) {
        for(int i = head[k]; i; i = nxt[i])
            tmp[++ cnt] = mp(v[i], i);
        sort(tmp + 1, tmp + cnt + 1);
        for(int i = 1; i < cnt; ++ i) {
            G[tmp[i].y].pb(mp(tmp[i + 1].x - tmp[i].x, tmp[i + 1].y));
            G[tmp[i + 1].y].pb(mp(0, tmp[i].y));
        }
    }
    printf("%lld\n", Dijkstra());
    return 0;
}

noip2018 n o i p 2018 只有 60days 60 d a y s 了 早点熬到停课再多学点东西吧。

yolo算法港口码头船舶目标检测数据集 目标类别:['ship'] 中文类别:['船舶'] 训练集:16046 张 验证集:1971 张 测试集:983 张 总计:19000 张 该数据集提供了data.yaml文件,内容如下: train: ../train/images val: ../valid/images test: ../test/images nc: 1 names: ['ship'] 该数据集聚焦于港口码头及近海水域的船舶检测任务,涵盖多种类型船舶在不同天气、光照和水文条件下的真实场景。图像样本覆盖了货轮、客轮、拖船、油轮及工程船等典型船只,充分体现了海上交通与港口作业的复杂性与多样性。通过高精度标注,该数据集为海上智能监控、船舶识别与航行安全预警系统提供了高质量的数据支撑,具有重要的实际应用价值。 该数据集在训练集、验证集和测试集之间实现了科学合理的分布,训练集包含16046张图像,验证集1971张,测试集983张,总计19000张。这种分布结构确保了模型在训练过程中具备充足的样本学习能力,同时验证集与测试集规模适中,能够有效评估模型的泛化性能与稳定性,符合深度学习项目对数据划分的标准要求。 该数据集的标注工作严谨规范,所有船舶均采用精确界框进行标注,覆盖了不同尺寸、姿态和视角下的目标实例。标注框紧密贴合船舶轮廓,未出现明显偏移或遗漏,且在复杂背景(如水面反光、雾天、桥梁遮挡)下仍保持高一致性。标注信息完整可靠,为后续模型训练提供了坚实基础。 该数据集可广泛应用于港口自动化管理、海上交通监控、船舶动态跟踪、航道安全预警以及海洋执法等领域。其丰富的场景覆盖和多样化的船舶类型使其特别适用于智慧港口设、海上搜救系统开发及航运物流智能化升级,能够有效提升相关系统的识别准确率与响应效率,推动海洋经济数字化转型。
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