LA 4287 Proving Equivalences 强连通分量

本文分享了一个LA4287白书上的例题解决方案,通过使用刘汝佳的模板,介绍了如何将问题转化为寻找最少需要添加多少条边使图变为强连通图。文章详细展示了求解过程,包括构建强连通分量、确定0入度和0出度点数量等步骤。

LA 4287

白书上例题,码了刘汝佳的模板,图论刷着很有意思,感觉很多图论算法需要备模板才行....

可以把题意问题转化,变成至少需要加几条边把N个点变成强连通图,那么可以先把每个强连通分量求出来当做一个点重新构图,然后再求这个新的图的0入度点个数和0出度点个数,答案就是其中的max,记得特判,如果原始图已经是强连通,答案是0

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<vector>
#include<stack>
using namespace std;
const int maxn=2e4+5;
vector<int>G[maxn];
int pre[maxn],lowlink[maxn],sccno[maxn],dfs_clock,scc_cnt;
stack<int>S;
void dfs(int u)
{
	pre[u]=lowlink[u]=++dfs_clock;
	S.push(u);
	for(int i=0;i<G[u].size();i++)
	{
		int v=G[u][i];
		if(!pre[v])
		{
			dfs(v);
			lowlink[u]=min(lowlink[u],lowlink[v]);
		}else if(!sccno[v])
		{
			lowlink[u]=min(lowlink[u],pre[v]);
		}
	}
	if(lowlink[u]==pre[u])
	{
		scc_cnt++;
		for(;;){
			int x=S.top();S.pop();
			sccno[x]=scc_cnt;
			if(x==u)break;
		}
	}
}
void find_scc(int n){
	dfs_clock=scc_cnt=0;
	memset(sccno,0,sizeof(sccno));
	memset(pre,0,sizeof(pre));
	for(int i=0;i<n;i++)
	if(!pre[i])dfs(i);
}
int in0[maxn],out0[maxn];
int main()
{
	int T,n,m;
	scanf("%d",&T);
	while(T--)
	{
		scanf("%d%d",&n,&m);
		for(int i=0;i<n;i++)G[i].clear(); 
		for(int i=0;i<m;i++)
		{
			int u,v;
			scanf("%d%d",&u,&v);u--;v--;
			G[u].push_back(v);
		}
		find_scc(n);
		for(int i=1;i<=scc_cnt;i++)in0[i]=out0[i]=1;
		for(int u=0;u<n;u++)
			for(int i=0;i<G[u].size();i++){
				int v=G[u][i];
				if(sccno[u]!=sccno[v])
				in0[sccno[v]]=out0[sccno[u]]=0;
			}
		int a=0,b=0;
		for(int i=1;i<=scc_cnt;i++)
		{
			if(in0[i])a++;
			if(out0[i])b++;
		}
		int ans=max(a,b);
		if(scc_cnt==1)ans=0;
		printf("%d\n",ans);
	}
}

内容概要:本文围绕基于Wasserstein生成对抗网络(W-GAN)的光伏场景生成程序展开研究,提出了一种利用W-GAN生成高精度、高波动性光伏出力场景的方法,以应对新能源发电中的不确定性挑战。研究通过构建生成器与判别器之间的对抗训练机制,有效捕捉光伏出力的时间序列特征与统计分布规律,生成符合实际运行条件的多样化场景数据,弥补实测数据稀缺问题。相较于传统GAN,W-GAN引入Wasserstein距离作为损失函数,显著提升了模型训练的稳定性与梯度传播的连续性,增强了生成样本的质量与多样性。文中还提供了完整的Python代码实现,便于读者复现与拓展。; 适合人群:具备一定Python编程能力、深度学习基础的研究生、科研人员,以及从事新能源电力系统规划、优化调度、不确定性建模等相关领域的工程师和技术人员。; 使用场景及目标:①用于电力系统中可再生能源出力的不确定性建模与风险评估;②支撑微电网、综合能源系统等场景下的随机优化、鲁棒优化与分布鲁棒优化研究;③为风光互补系统、储能配置、需求响应等应用提供高质量、多样化的输入场景;④帮助研究人员掌握深度学习在能源时序数据生成中的前沿应用,推动模型迁移至风电、负荷等其他场景生成任务。; 阅读建议:建议读者结合提供的Python代码进行动手实践,深入理解W-GAN的网络架构设计、损失函数构造、训练技巧及超参数调优策略,重点关注Wasserstein距离在缓解模式崩溃与梯度消失问题中的作用,并尝试将该框架拓展至多变量、多站点或多能源联合场景生成,提升模型的泛化能力与工程实用价值。
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

打赏作者

长沙橘子猫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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