hrbust 1725 并查集 (节点存放感染病毒信息)

并查集 hrbust oj 1725
32种病毒 查询看每个人感染几号病毒 
/*
 *
 *涛哥代码
 *
 *
#include<stdio.h>
#include<stdlib.h>
struct node
{
   int sum;
   int p;
   int ns[33];
}nn[1005];
int find(int x)
{
   int s;

   for (s=x; nn[s].p!=s; s=nn[s].p);

   return s;
}
void join(int x, int y)
{
   int i;
   int px = find(x);
   int py = find(y);

   if (px != py)
   {
      nn[px].p = py;
      nn[py].sum += nn[px].sum;
      for (i =0; i < 33; ++i)
      {
         if (nn[px].ns[i] == 1)
         {
            nn[py].ns[i] = 1;
         }
      }
   }
   return ;
}
int main(void)
{
   int t;
   int i, j ,k;
   int n, m, q;
   int vi;
   int p;
   int a, b;
   int cnt;
   char str[10];
   scanf("%d", &t);
   while (t--)
   {
      scanf("%d%d", &n, &q);
      for (i = 1; i <= n; ++i)
      {
         nn[i].p = i;
         nn[i].sum = 0;
         for (j = 0; j < 33; ++j)
         {
            nn[i].ns[j] = 0;
         }
      }
      for (i = 1; i <= n; ++i)
      {
         scanf("%d", &vi);
         if (vi > 0)
         {
            nn[i].ns[vi] = 1;
         }
      }
      for (j=0; j < q; ++j)
      {
         scanf("%s", str);
         if (str[0] == 'q')
         {
            scanf("%d", &vi);
            p = find(vi);
            cnt = 0;
            for (i=0; i < 33; ++i)
            {
               if (nn[p].ns[i] == 1)
               {
                  if (cnt == 0)
                  {
                     ++cnt;
                     printf("%d", i);
                  }
                  else
                  {
                     ++cnt;
                     printf(" %d", i);
                  }
               }
            }
            if (cnt==0)
            {
               printf("0");
            }
            printf("\n");
         }
         else
         {
            scanf("%d%d", &a, &b);
            join(a, b);
         }
      }
      printf("\n");
   }

   return 0;
}*/
/*
 *
 *照着写的 好弱 T T
 *
 */
#include<iostream>
#include<cstring>
#include<cstdio>
using namespace std;
#define clr(x) memset(x,0,sizeof(x))
struct node
{
    int p;
    int nx[33];
}nn[2000];
int find(int x)
{
    if(nn[x].p==x)return x;
    return nn[x].p=find(nn[x].p);
}
bool join(int x,int y)
{
    int i;
    x=find(x);
    y=find(y);
    if(x==y)return false;
    if(x>y)
    {
        nn[x].p=y;
        for(i=0;i<33;i++)
        if(nn[x].nx[i])nn[y].nx[i]=1;
    }
    if(x<y)
    {
        nn[y].p=x;
        for(i=0;i<33;i++)
        if(nn[y].nx[i])nn[x].nx[i]=1;
    }
    return true;
}
int n,m,i,j,t,tt;
char s[20];
int main()
{
    int f;
    scanf("%d",&f);
    while(f--)
    {
        scanf("%d%d",&n,&m);
        for(i=1;i<=n;i++)
        {
            nn[i].p=i;
            for(j=0;j<33;j++)
            nn[i].nx[j]=0;
        }
        for(i=1;i<=n;i++)
        {
            scanf("%d",&t);
            if(t>0)
            nn[i].nx[t]=1;
        }
        while(m--)
        {
           scanf("%s",s);
           if(s[0]=='q')
           {
               scanf("%d",&t);
               int cnt=0;
               for(i=0;i<33;i++)
               {
                   if(nn[find(t)].nx[i])
                   {
                       if(cnt==0)
                       {
                            printf("%d",i);
                            cnt++;
                       }
                       else
                       {
                            printf(" %d",i);
                            cnt++;
                       }
                   }
               }
               if(cnt==0)
               {
                   printf("0");
               }
               printf("\n");
           }
           else
           {
               scanf("%d%d",&t,&tt);
               join(t,tt);
           }
        }
        printf("\n");
    }
    return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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