幼儿园的战争----并查集

ps:谢谢l学长帮忙讲解这道题,以及参考的这位博主的文章,真的写的很好

原题链接

分析:

除了考察并查集的基本操作以外,这里的删除操作以及集合数的返回和集合大小都需要注意一下技巧

操作一"query":
很明显是返回集合数,那么如何返回集合数?显然只需要开一个全局变量ans来维护,初始让他为n,然后随着每次操作,当集合数增加时ans++,减少时ans–,这样的话每次query只需要直接打印ans的值就可以,很方便。

操作二“fight”:
考察的是使用并查集对集合进行合并,但这里要注意一下,题目说了,人数多的赢且赢者吞并弱者,也就是说把集合大小更小的接到更大的那个上面,让更大的集合的根节点成为更小集合根节点的根节点,因此,要注意同时维护一下ans以及集合大小,所以为了更方便维护集合大小,因此这里开了一个num数组来实现;初始时因为每个节点都是自己的根节点所以num[i]都是1,这个初始化放在Init()函数里和root一起进行初始化操作;且,因为小朋友编号如果固定的话那么每次进行合并和删除操作时在怎么把要删除的节点给独立出来使得删除节点后不会影响到它的子节点就成了一个很大的问题,所以我们这里开了一个id数组专门用来存储节点编号,当你要删除某个节点x时,就让它的根节点指向一个不存在的地方,不会影响到你现在的其他节点,即令他指向n以后的点,这样就不会影响到n范围内的节点的了,所以才需要让数组开大一点,可以开成3n,方便给出足够的空间让它往后指(事实上开成2n也是可以过的,亲身实验);解决了这个问题以后然后又因为我们有num数组,这样只要这道id[x]和id[y](存储的是x和y的编号)的根节点,然后通过num直接得出根节点所在集合的大小然后根据题目要求比较后打印即可

操作三“tempt”:
这个操作要稍微注意一下细节处,因为只是把y一个人拉入x的集合,即把y并入x,如果y所在集合只有他一个人,那么y被合并以后集合数必然减少了,ans–,如果不止他一个人,那么集合数是没有变的

操作四“revolt”:
其实就是考察删除操作,不过要注意一下当集合里只有他一个人的时候集合数ans–,否则不减,所以操作三的这个过程可以通过删除+合并操作实现,就不用每个操作都写一次,写成函数的形式,就可以直接调用了

综上:通过以上分析,发现有很多步骤是有交叉的,总结起来就是四个函数的操作:初始化Init(),查找根节点Find(),合并Union(),删除del()

接下来结合代码分析:

#include<iostream>
#include<cstring>
#include<string>
#include<algorithm>

using namespace std;

const int N=1e5+10;
int root[2*N],num[2*N],id[2*N];
int cnt,ans;

void Init(int n)
{
    cnt=n,ans=n;//cnt初始化为n之后++方便往n后面指
    for(int i=1;i<=2*n;i++){
        root[i]=i;
        num[i]=1;
        id[i]=i;
    }
}

int Find(int x)
{
    return x==root[x]?x:Find(root[x]);
}

void Union(int x,int y)
{
    x=Find(x),y=Find(y);
    if(x!=y){
        root[y]=x;
        num[x]+=num[y];//合并的同时维护集合数
        ans--;//直接通过Union在合并的时候同时维护ans
    }
}

void del(int x)
{
    int pre=Find(id[x]);
    num[pre]--;
    if(num[pre]==0)ans--;
    cnt++;
    num[cnt]=1;
    root[cnt]=cnt;//删除的时候把他的根节点指向不会影响到其他节点的地方
    id[x]=cnt;
    ans++;//原集合里不止一个人,从中删除一个x以后集合数增加,否则不变,所以上面会ans--使得集合数不变
}

int main()
{
    int t,n,m,x,y;
    scanf("%d",&t);
    for(int T=1;T<=t;T++){
        scanf("%d%d",&n,&m);
        char s[10];
        Init(n);
        printf("Case #%d:\n",T);
        for(int i=0;i<m;i++){
            scanf("%s",s);
            getchar();
            if(s[0]=='q'){
                printf("%d\n",ans);
            }else if(s[0]=='t'){
                scanf("%d%d",&x,&y);
                del(y);
                Union(id[x],id[y]);
            }else if(s[0]=='f'){
                scanf("%d%d",&x,&y);
                int xx=Find(id[x]),yy=Find(id[y]);//因为是用id数组维护的编号,所以要记得找根节点的时候也是通过id,而不能直接通过x,y
                if(xx==yy)continue;
                if(num[xx]>num[yy])printf("%d is winner!\n",x),Union(id[x],id[y]);
                else if(num[xx]<num[yy])printf("%d is winner!\n",y),Union(id[y],id[x]);
                else printf("Either is winner!\n");
            }else if(s[0]=='r'){
                scanf("%d",&x);
                del(x);
            }
        }
    }
    return 0;
}
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。
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