算法准备-5.12

算法准备-5.12

1. 克隆图

  1. 描述:给你无向连通图中一个节点的引用,请你返回该图的 深拷贝(克隆)。

    简单起见,每个节点的值都和它的索引相同。例如,第一个节点值为 1(val = 1),第二个节点值为 2(val = 2),以此类推。该图在测试用例中使用邻接列表表示。

    邻接列表 是用于表示有限图的无序列表的集合。每个列表都描述了图中节点的邻居集。

    给定节点将始终是图中的第一个节点(值为 1)。你必须将 给定节点的拷贝 作为对克隆图的引用返回。

  2. 思路:即通过dfs遍历图,递归的建立起node节点与其邻接节点的关系,同时通过哈希表判断此节点是否已经访问过

  3. 题解:

    //dfs遍历
    /*
    // Definition for a Node.
    class Node {
        public int val;
        public List<Node> neighbors;
        
        public Node() {
            val = 0;
            neighbors = new ArrayList<Node>();
        }
        
        public Node(int _val) {
            val = _val;
            neighbors = new ArrayList<Node>();
        }
        
        public Node(int _val, ArrayList<Node> _neighbors) {
            val = _val;
            neighbors = _neighbors;
        }
    }
    */
    
    class Solution {
        public HashMap<Node,Node> visited =new HashMap<>(); 
        public Node cloneGraph(Node node) {
            if(node==null)
            {
                return node;
            }
            if(visited.containsKey(node))
            {
                return visited.get(node);
            }
    
            Node clonenode=new Node(node.val,new ArrayList());
            visited.put(node,clonenode);
            for(Node neighbor:node.neighbors)
            {
                clonenode.neighbors.add(cloneGraph(neighbor));
            }
            return clonenode;
        }
    }
    
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
遗传算法是一种通过模拟进化过程来优化解决问题的方法。在本题中,我们将使用遗传算法来寻找使得y最小的x和z的值。 首先,我们需要定义适应度函数。在本题中,适应度函数应该返回y的值,因为我们的目标是最小化y。因此,我们可以将适应度函数定义为: ```python def fitness(x, z): y = x**2 * z**2 return y ``` 接下来,我们需要定义遗传算法的参数。这些参数包括种群大小、交叉率、变异率、迭代次数等等。在本题中,我们可以将参数设置如下: ```python population_size = 50 # 种群大小 crossover_rate = 0.8 # 交叉率 mutation_rate = 0.1 # 变异率 generations = 100 # 迭代次数 ``` 然后,我们需要生成初始种群。我们可以使用随机数生成器来生成x和z的值,并将它们组成一个二元组。我们可以使用列表来存储种群,其中每个元素都是一个二元组。 ```python import random population = [] for i in range(population_size): x = random.uniform(-5.12, 5.12) z = random.uniform(-5.12, 5.12) population.append((x, z)) ``` 接下来,我们可以开始迭代遗传算法。在每一次迭代中,我们需要评估种群中每个个体的适应度,并根据适应度选择优秀的个体进行交叉和变异,生成新的子代。然后,我们用子代替换原来的种群,并继续迭代,直到达到指定的迭代次数。完整的代码如下: ```python import random def fitness(x, z): y = x**2 * z**2 return y population_size = 50 # 种群大小 crossover_rate = 0.8 # 交叉率 mutation_rate = 0.1 # 变异率 generations = 100 # 迭代次数 # 生成初始种群 population = [] for i in range(population_size): x = random.uniform(-5.12, 5.12) z = random.uniform(-5.12, 5.12) population.append((x, z)) # 迭代遗传算法 for g in range(generations): # 评估每个个体的适应度 fitness_scores = [] for i in range(population_size): x, z = population[i] fitness_scores.append(fitness(x, z)) # 找到当前最优个体 best_individual = population[fitness_scores.index(min(fitness_scores))] print(f"Generation {g+1}: Best individual = {best_individual}, fitness = {min(fitness_scores)}") # 选择优秀的个体进行交叉和变异,生成新的子代 offspring = [] for i in range(population_size): # 选择父母 parent1 = random.choice(population) parent2 = random.choice(population) # 交叉 if random.random() < crossover_rate: x1, z1 = parent1 x2, z2 = parent2 child1 = (x1, z2) child2 = (x2, z1) else: child1 = parent1 child2 = parent2 # 变异 x, z = child1 if random.random() < mutation_rate: x += random.uniform(-0.1, 0.1) z += random.uniform(-0.1, 0.1) x = max(min(x, 5.12), -5.12) # 保证取值范围在[-5.12, 5.12]内 z = max(min(z, 5.12), -5.12) child1 = (x, z) x, z = child2 if random.random() < mutation_rate: x += random.uniform(-0.1, 0.1) z += random.uniform(-0.1, 0.1) x = max(min(x, 5.12), -5.12) # 保证取值范围在[-5.12, 5.12]内 z = max(min(z, 5.12), -5.12) child2 = (x, z) offspring.append(child1) offspring.append(child2) # 用子代替换原来的种群 population = offspring ``` 在每次迭代中,我们都会输出当前最优个体的值和适应度。在迭代完成后,最优个体的值就是y的最小值,对应的x和z就是最小值的解。
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