强联通分量,双联通分量详解

正题

强联通分量

我们开两个数组 l o w , d f n low,dfn low,dfn d f n dfn dfn 表示 i i i 点的 d f s dfs dfs 序, l o w low low 表示 i i i 点能到达的最小的 d f s dfs dfs 序。

有两个步骤:

若存在边 ( x , y ) (x,y) (x,y) ,且 y y y 未被遍历,那么遍历 y y y ,然后用 l o w [ y ] low[y] low[y] 更新 l o w [ x ] low[x] low[x]
若存在边 ( x , y ) (x,y) (x,y) ,且 y y y 在栈内,那么用 d f n [ y ] dfn[y] dfn[y] 更新 l o w [ x ] low[x] low[x]

返回时,若 d f n [ x ] = l o w [ x ] dfn[x]=low[x] dfn[x]=low[x],那么说明当前能到达的最小 d f s dfs dfs 序就是本身,也就说明了一个新的强联通分量的产生。所以不断弹栈直到 x x x 即可。

有时候会发现,即使将第二个步骤中的 d f n [ y ] dfn[y] dfn[y] 写成 l o w [ y ] low[y] low[y] 仍然是正确的。
首先要理解当前在栈内的节点的对应子图一定是弱联通的。其次,在栈内,若 d f n [ y ] > d f n [ x ] dfn[y]>dfn[x] dfn[y]>dfn[x] 且存在边 ( x , y ) (x,y) (x,y),那么 y y y 必然是 x x x 的子孙。
所以当 d f n [ y ] > d f n [ x ] dfn[y]>dfn[x] dfn[y]>dfn[x] 的时候, l o w [ y ] low[y] low[y] 一定会通过步骤 1 1 1 来更新 l o w [ x ] low[x] low[x]
d f n [ y ] < d f n [ x ] dfn[y]<dfn[x] dfn[y]<dfn[x] 的时候,到达 l o w [ x ] low[x] low[x] 的 路径是否只走一次向上的步骤已经无所谓了,因为并不影响答案。

割点

首先 d f s dfs dfs 树上一个点的两个子树没有一条直接边相连(也就是没有横叉边),否则在遍历第一个会直接遍历第二个子树。

割点在第二个步骤里面只可以用 d f n [ y ] dfn[y] dfn[y] 更新 l o w [ x ] low[x] low[x] ,因为此时的 l o w [ x ] low[x] low[x] 的定义发生改变,变为 d f s dfs dfs x x x 的这条链上 x x x 能到达的最上面那个点(不走父边)。

对于一个点,如果有 d f s dfs dfs 树上 y y y x x x 的儿子,而且 l o w [ y ] ≥ d f n [ x ] low[y]\geq dfn[x] low[y]dfn[x] ,那么说明 y y y 不能走到 x x x 的祖先去,也就说明了割掉 x x x ,会出现 y y y 这个联通块。

根要特殊判断,若根有两个 d f s dfs dfs 树上两个子节点,那么说明割掉根会形成两个联通块,那么根就是一个割点,否则不是。

点双联通分量

性质:
1.任意两点间至少存在两条点不重复的路径等价于图中删去任意一个点都不会改变图的连通性,即BCC中无割点
2.若 B C C BCC BCC 间有公共点,则公共点为原图的割点
3.无向连通图中割点一定属于至少两个 B C C BCC BCC ,非割点只属于一个 B C C BCC BCC

若存在树边 ( x , y ) (x,y) (x,y) x x x y y y 的父亲,且 l o w [ y ] ≥ d f n [ x ] low[y]\geq dfn[x] low[y]dfn[x] ,当前在栈内且比 y y y 高的节点与 x x x 形成了一个点双联通分量,因为这些节点不能到达比 x x x d f n dfn dfn 更小的节点,同时,可以发现这些点形成的对应子图中不存在割点,否则已经被单独拿出来作为一个新的点双了。

还有要注意的是, x x x 点可能已经在一个更小标号的点双连通分量里面,所以,在弹出栈内的节点的时候只需要弹出到 y y y 点,而不是弹出到 x x x 点,因为这样会把更多的点弹掉。

最后在栈内的节点恰好是根节点。

割边

更新方法还是一样的。

根也不用特殊判断,若 ( x , y ) (x,y) (x,y) 是树枝边, l o w [ y ] > d f n [ x ] low[y]>dfn[x] low[y]>dfn[x] ,那么说明 y y y 子树内不可以到达 x x x 上面的点,说明 ( x , y ) (x,y) (x,y) 就是一条割边。

边双联通分量

我们把割边删除,然后直接 d f s dfs dfs 一遍,在一个连通分量里面的就是边双联通分量。

圆方树

在上面的点双连通分量里面我们已经知道了一个点可能在多个点双连通分量里面。

那么我们每一个点双连通分量新建一个方点,然后方点向那些在栈内里面的节点连边, x x x 向这个新建的节点连边,我们把原来的这些点称为圆点,那么容易发现圆点和方点是两两相间的,就形成了一棵圆方树,可以用这个东西在上面维护信息,特别是仙人掌。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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