NOIP2015提高组T2 洛谷P2661 信息传递

 

题目描述

有n个同学(编号为1到n)正在玩一个信息传递的游戏。在游戏里每人都有一个固定的信息传递对象,其中,编号为i的同学的信息传递对象是编号为Ti同学。

游戏开始时,每人都只知道自己的生日。之后每一轮中,所有人会同时将自己当前所知的生日信息告诉各自的信息传递对象(注意:可能有人可以从若干人那 里获取信息,但是每人只会把信息告诉一个人,即自己的信息传递对象)。当有人从别人口中得知自己的生日时,游戏结束。请问该游戏一共可以进行几轮?

输入输出格式

输入格式:

输入共2行。

第1行包含1个正整数n表示n个人。

第2行包含n个用空格隔开的正整数T1,T2,……,Tn其中第i个整数Ti示编号为i

的同学的信息传递对象是编号为Ti的同学,Ti≤n且Ti≠i

数据保证游戏一定会结束。

输出格式:

输出共 1 行,包含 1 个整数,表示游戏一共可以进行多少轮。

输入输出样例

输入样例#1:
5
2 4 2 3 1
输出样例#1:
3

说明

样例1解释

游戏的流程如图所示。当进行完第 3 轮游戏后, 4 号玩家会听到 2 号玩家告诉他自

己的生日,所以答案为 3。当然,第 3 轮游戏后, 2 号玩家、 3 号玩家都能从自己的消息

来源得知自己的生日,同样符合游戏结束的条件。

对于 30%的数据, n ≤ 200;

对于 60%的数据, n ≤ 2500;

对于 100%的数据, n ≤ 200000。

 

跑一边tarjan缩点,找出包含点数最少(但不等于1)的缩点,其包含点数就是答案。

因为每个点出度最多为1,所以不需要用复杂的方式存边,只开个数组记录每个点的去向就行。

 1 /**/
 2 #include<iostream>
 3 #include<cstdio>
 4 #include<cmath>
 5 #include<cstring>
 6 #include<algorithm>
 7 using namespace std;
 8 const int mxn=230000;
 9 int v[mxn];
10 int dtime=0;
11 bool inst[mxn]; 
12 int st[mxn],top;
13 int low[mxn],dfn[mxn];
14 //
15 int belone[mxn],cnt=0;
16 int dg[mxn];
17 //
18 int n;
19 void tarjan(int u){
20     low[u]=dfn[u]=++dtime;
21     st[++top]=u;
22     inst[u]=1;
23     //
24     if(!dfn[v[u]]){
25         tarjan(v[u]);
26         low[u]=min(low[u],low[v[u]]);
27     }
28     else if(inst[v[u]])
29         low[u]=min(low[u],dfn[v[u]]);
30     //
31     if(low[u]==dfn[u]){
32         ++cnt;
33         int w;
34         do{
35             w=st[top--];
36             dg[cnt]++;
37             inst[w]=0;
38         }while(w!=u);
39     }
40     return;
41 }
42 int main(){
43     scanf("%d",&n);
44     int i,j;
45     for(i=1;i<=n;i++){
46         scanf("%d",&v[i]);
47     }
48     for(i=1;i<=n;i++){
49         if(!dfn[i])tarjan(i);
50     }
51     int ans=5000000;
52     for(i=1;i<=cnt;i++) {if(dg[i]<ans && dg[i]!=1)ans=dg[i];}
53     printf("%d\n",ans);
54     return 0;
55 }

 

 

转载于:https://www.cnblogs.com/SilverNebula/p/5730377.html

随着人类对生命健康需求的不断增长,新药研发面临着前所未有的挑战。传统的药物研发流程通常耗时长达十年以上,耗资数十亿美元,且最终成功率极低,这在制药界被称为“反摩尔定律”困境。近年来,人工智能技术的飞速发展,特别是深度学习和大数据分析的广泛应用,为新药发现带来了革命性的契机。人工智能能够从海量的化学和生物数据中挖掘潜在规律,显著加速药物靶点发现、先导化合物优化等关键环节。在此背景下,本研究旨在设计并实现一个基于人工智能的新药发现辅助系统,以期为传统药物研发流程提供高效的智能化辅助工具,从而有效缩短研发周期并大幅降低研发成本。本研究以Python作为主要开发语言,深度结合PyTorch和TensorFlow两大主流深度学习框架,并集成RDKit化学信息学工具包,构建了一个功能完善的新药发现辅助系统。系统的核心目标是利用先进的人工智能技术辅助新药分子的设计与活性评估。在研究方法上,本文创新性地提出了一种融合多模态数据的新药发现算法。该算法综合处理分子的多种表示形式,包括一维的SMILES序列、二维的分子图结构以及三维的空间构象数据。通过构建多通道神经网络,系统能够有效提取并融合不同模态的特征,从而全面捕捉分子的理化性质与生物学活性之间的复杂非线性关系。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
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