POJ 3352 双连通缩点以及求桥和边双连通分量

http://poj.org/problem?id=3352

在用Tarjan算法求解连通分量时,通过dfs过程记录每个节点的访问次序,记作dfsnum,存入dfn数组,以及记录一个点可以通过边和回退边可以达到的最小的dfsnum,存入low数组。那么显然,如果对于一个节点u和它的孩子节点v,v可以通过回退边达到比dfn[u]小的dfsnum,即说明即使删除边(u,v),v仍然可以到达u的祖先节点,即说明(u,v)不是桥。所以在dfs过程中得到一条树边(u,v)有low[v]>dfn[u]时,则可以得到(u,v)是一座桥。

求出桥之后,那么删掉图中所有的桥,就可以得到剩下所有的双连通分量。 这道题目的意思是,给一个无向图,问至少添加几条边可以使这个图变成双连通分量。刚才已经分析了求桥的方法,删掉桥后得到所有的双连通分量,这时候可以把每个双连通分量看成一个点。将所有的双连通分量缩成一个点后得到的是一棵树,对一个树形无向图,显然,只需添加(度数为1点的个数+1)/2即可将图变成双连通的。

至于如何双连通所点,可以用dfs搜索一遍,每次dfs除非搜到之前求出的桥,否则继续根据连边继续搜索,并将其标号,这样就将图中删掉所有桥后的所有双连通分量标出了各自的序号。最后再求出度数为1的双连通缩点的个数,即可得到答案。

代码:

// Header.
#include <algorithm>
#include <iostream>
#include <sstream>
#include <cstring>
#include <cstdio>
#include <vector>
#include <string>
#include <bitset>
#include <queue>
#include <stack>
#include <cmath>
#include <ctime>
#include <set>
#include <map>
using namespace std;

// Macro
typedef long long LL;
#define TIME cerr << "Time elapsed: " << 1.0 * clock() / CLOCKS_PER_SEC << "s." << endl;
#define IN freopen("/Users/apple/input.txt", "r", stdin);
#define OUT freopen("/Users/apple/out.txt", "w", stdout);
#define mem(a, n) memset(a, n, sizeof(a))
#define rep(i, n) for(int i = 0; i < (n); i ++)
#define repD(i, n) for(int i = (n); i; i --)
#define REP(i, t, n) for(int i = (t); i < (n); i ++)
#define REPD(i, t, n) for(int i = (n); i > (t); i --)
#define FOR(i, t, n) for(int i = (t); i <= (n); i ++)
#define FORD(i, t, n) for(int i = (n); i >= (t); i --)
#define ALL(v) v.begin(), v.end()
#define Min(a, b) a = min(a, b)
#define Max(a, b) a = max(a, b)
#define put(a) printf("%d\n", a)
#define ss(a) scanf("%s", a)
#define si(a) scanf("%d", &a)
#define sii(a, b) scanf("%d%d", &a, &b)
#define siii(a, b, c) scanf("%d%d%d", &a, &b, &c)
#define VI vector<int>
#define pb push_back
const int inf = 0x3f3f3f3f, N = 1e3 + 5, MOD = 1e9 + 7;
// Macro end

int T, cas = 0;
int n, m;
struct edge {
    int v, next;
}e[5 * N];
int ne, head[N];
void addEdge(int u, int v) {
    e[ne].v = v;
    e[ne].next = head[u];
    head[u] = ne ++;
    e[ne].v = u;
    e[ne].next = head[v];
    head[v] = ne ++;
}
int dfsnum;
int degree[N], dfn[N], low[N];
bool exist[N][N];
// Imp
void init() {
    ne = 0;
    mem(degree, 0);
    mem(head, -1);
    mem(dfn, 0);
    mem(exist, false);
}

void Tarjan(int u, int fa) {
    dfn[u] = low[u] = ++ dfsnum;
    for(int i = head[u]; i != -1; i = e[i].next) {
        int v = e[i].v;
        if(v == fa) continue;
        if(!dfn[v]) {
            Tarjan(v, u);
            Min(low[u], low[v]);
            if(low[v] > dfn[u]) exist[u][v] = exist[v][u] = true;
        } else Min(low[u], dfn[v]);
    }
}

int cc[N], ccCnt;
void dfs(int u, int fa) {
    cc[u] = ccCnt;
    for(int i = head[u]; i != -1; i = e[i].next) {
        int v = e[i].v;
        if(v != fa && !exist[u][v] && !cc[v])
            dfs(v, u);
    }
}

int work() {
    mem(cc, 0); ccCnt = 1;
    FOR(i, 1, n) {
        if(!cc[i]) {
            dfs(i, -1);
            ccCnt ++;
        }
    }
    FOR(i, 1, n) {
        int u = i;
        for(int j = head[i]; j != -1; j = e[j].next) {
            int v = e[j].v;
            if(cc[u] != cc[v]) degree[cc[u]] ++;
        }
    }
    int ret = 0;
    REP(i, 1, ccCnt) ret += degree[i] == 1;
    return (ret + 1) / 2;
}

int main(){
#ifdef LOCAL
    IN // OUT
#endif
    
    while(sii(n, m) != EOF) {
        init();
        int u, v;
        rep(i, m) {
            sii(u, v);
            addEdge(u, v);
        }
        
        dfsnum = 0;
        
        Tarjan(1, -1);
        put(work());
    }
    
    return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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