uva 10801 - Lift Hopping(最短路Dijkstra)

简介:

/*
   题目大意:
      就是一幢大厦中有0~99的楼层, 然后有1~5个电梯!每个电梯有一定的上升或下降速度和楼层的停止的位置!
      问从第0层楼到第k层最少经过多长时间到达!
      
   思路:明显的Dijkstra ,在建图的时候u->v可能有多个电梯到达,取时间最少的当作路径的权值! 
   如果我们发现 d[i] > d[j] + map[j][i] + 60, 那么说明从第0层到达第 i 层的时间大于从第j层
   转移到其他电梯然后到达第 i 层的时间,那么就更新d[i]的值! 
       
*/
#include<iostream>
#include<cmath>
#include<cstring>
#include<cstdio>
#include<algorithm>

using namespace std;
const int INF = 0x3f3f3f3f;
int map[105][105];
int d[105];
int t[5];
int lift[105];
int vis[105];
int n, k;

void addEdge(int a, int b, int tt){
    int dist=abs(a-b)*tt;
    if(map[a][b]>dist)
       map[a][b]=map[b][a]=dist;
}

void Dijkstra(){
    int root=0, p;
    memset(vis, 0, sizeof(vis));
    vis[0]=1;
    for(int i=1; i<=99; ++i){
        int minLen=INF;
        for(int j=1; j<=99; ++j){
           if(!vis[j] && d[j] > d[root]+map[root][j]+60)
              d[j] = d[root]+map[root][j]+60;
           if(!vis[j] && minLen>d[j]){
              minLen=d[j];
              p=j; 
           }
        }
        if(minLen==INF)
           return ;
        root=p;
        vis[root]=1; 
    } 
} 

int main(){
   while(scanf("%d%d", &n, &k)!=EOF){
          memset(map, 0x3f, sizeof(map));
          memset(d, 0x3f, sizeof(d));
          d[0]=0;
       for(int i=1; i<=n; ++i)
          scanf("%d", &t[i]);
       char ch;
       
       for(int i=1; i<=n; ++i){
           int cnt=0;
           while(1){
              scanf("%d%c", &lift[cnt++], &ch);
              for(int j=0; j<cnt-1; ++j)
                  addEdge(lift[cnt-1], lift[j], t[i]);
                  
              if(ch=='\n')
                 break; 
           }
       } 
       
       Dijkstra();
       
       if(k==0)
          printf("0\n");       
       else if(d[k]!=INF)
          printf("%d\n", d[k]-60);
       else printf("IMPOSSIBLE\n"); 
   }
   return 0;
}

目录
相关文章
|
15天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
10天前
|
缓存 并行计算 PyTorch
144_推理时延优化:Profiling与瓶颈分析 - 使用PyTorch Profiler诊断推理延迟,优化矩阵运算的独特瓶颈
在2025年的大模型时代,推理时延优化已经成为部署LLM服务的关键挑战之一。随着模型规模的不断扩大(从数亿参数到数千亿甚至万亿参数),即使在最先进的硬件上,推理延迟也常常成为用户体验和系统吞吐量的主要瓶颈。
350 147
|
10天前
|
机器学习/深度学习 存储 缓存
92_自我反思提示:输出迭代优化
在大型语言模型(LLM)应用日益普及的今天,如何持续提升模型输出质量成为了业界关注的核心问题。传统的提示工程方法往往依赖一次性输入输出,难以应对复杂任务中的多轮优化需求。2025年,自我反思提示技术(Self-Reflection Prompting)作为提示工程的前沿方向,正在改变我们与LLM交互的方式。这项技术通过模拟人类的自我反思认知过程,让模型能够对自身输出进行评估、反馈和优化,从而实现输出质量的持续提升。
404 136
|
4天前
|
人工智能 移动开发 自然语言处理
阿里云百炼产品月刊【2025年9月】
本月通义千问模型大升级,新增多模态、语音、视频生成等高性能模型,支持图文理解、端到端视频生成。官网改版上线全新体验中心,推出高代码应用与智能体多模态知识融合,RAG能力增强,助力企业高效部署AI应用。
256 1
|
14天前
|
存储 人工智能 搜索推荐
终身学习型智能体
当前人工智能前沿研究的一个重要方向:构建能够自主学习、调用工具、积累经验的小型智能体(Agent)。 我们可以称这种系统为“终身学习型智能体”或“自适应认知代理”。它的设计理念就是: 不靠庞大的内置知识取胜,而是依靠高效的推理能力 + 动态获取知识的能力 + 经验积累机制。
405 135
|
14天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
532 133
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
|
14天前
|
人工智能 Java API
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
本文介绍AI大模型的核心概念、分类及开发者学习路径,重点讲解如何选择与接入大模型。项目基于Spring Boot,使用阿里云灵积模型(Qwen-Plus),对比SDK、HTTP、Spring AI和LangChain4j四种接入方式,助力开发者高效构建AI应用。
547 122
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)