本文深入探讨了并查集(Union Find)算法，解释了其在判断图中元素连通性中的作用，并提及Disjoint Set原理与Kruskal算法的关系。文章重点讨论了在实现并查集中易犯的错误，包括二维数组降维、正确执行union操作以及path compression的重要性。此外，通过两种不同的path compression写法对比，展示了如何更有效地实现并查集，特别强调了递归实现对于性能提升的优势。最后，通过friend circle问题举例，展示了并查集的应用与不同实现方式的性能差异。
Union Find是基于disjoint set的原理去判断一个图中元素之间的连通性或者说关联性的方法。
关于Disjoint Set的原理，可以参考这篇文章：https://blog.csdn.net/firehotest/article/details/53503624
其中提到了，生成最小生成树的kruskal 算法是基于disjoint set的基础上的。disjoint set的基本操作就是union find。
什么是最小生成树？给你一个有权全通图，找到边集的最小权重子集，使得所有的顶点全连通。kruskal算法内容：
给所有的边按照权重从小到大排序。按排序后的顺序提取每条边，如果边的两头的顶点不是联通的，（find不是一个disjoint set）的，把边加入答案集并且union两个顶点。遍历完所有的边之后，得到的就是答案了。
这篇文章，主要讲讲，union find的过程中，比较容易出错的几个点。
1、一般而言，对于二维数组的union find，parent最好是降维的。因为能够提高find的效率，也增强了程序的可读性。
2、union的时候，是把rootA和rootB对应的parent重设。不是点a和点b的parent。
3、path compression是一个很好的提高效率的方法。下面通过find的模板来说明：
int find(int id) {
while (id != parent[id]) {
parent[id] = parent[parent[id
最低0.47元/天 解锁文章
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
