图的m着色问题 + 剪枝优化 + 优化剪枝图

最新推荐文章于 2023-09-09 23:02:40 发布
VIP文章 最新推荐文章于 2023-09-09 23:02:40 发布
阅读量1.3k 收藏 15
点赞数 2
分类专栏： # 回溯法 文章标签： 剪枝 算法 数据结构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/peachhhh/article/details/111406662
版权

优化原理：

例：

若按所标序号按1 到 7进行可行解的回溯发查找，其解的寻找难度或者递归的层数会很大，因为若按图示按顺序回溯时，2节点只受1节点控制，3节点只受2节点控制，4节点只受3节点控制...

因此只有当到第6和第7节点时才能剪掉较多分支，而此时树的深度已经到达6~7层，已经是较大的计算量。

解决思路：

在此图中明显发现6，7节点控制的点数最多分别控制4个节点，而1，2，3，4控制3个节点，而选出6，7后，1节点因为被6，7约束，约束性增强，更易剪枝，以此类推选择2，3，4最后选择控制数量最少的5节点，达到扩大剪枝量的效果。

剪枝图：

最低0.47元/天 解锁文章
「已注销」
关注
  • 2
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Docker swarm
FlyDragon100的博客
09-08 855
基本概念 Docker是使用google公司推出的go语言进行开发实现，基于linux内核的cgroups，namespace，以及AUFS类的UnionFS等技术，对进程进行封装隔离，属于操作系统层面的虚拟化技术。由于隔离的进程独立于宿主与其他的隔离的进程，因此也也被称为容器。 Docker在容器的基础上进一步封装，从文件系统、互联网络到进程隔离等等，极大简化了容器的创建和维护。使得Docker...
回溯法+剪枝解决组合总和问题
weixin_43036882的博客
05-19 398
1. 问题描述 给定一个无重复元素的数组 candidates 和一个目标数 target ，找出 candidates 中所有可以使数字和为 target 的组合。candidates 中的数字可以无限制重复被选取。 说明： 所有数字（包括 target）都是正整数。 解集不能包含重复的组合。 例子： 输入：[2,3,6,7]，target=7。 输出：[[2,2,3],[7]]。 2. 解法 根据问题的描述，我们想到了使用树形结构进行遍历来求解。 首先需要确定遍历的深度，到什么地方要终止搜索，
随机森林+预剪枝+后剪枝
06-30
自己写的python决策树+随机森林，实现了预剪枝，后剪枝，并且包含了实验报告
阿里笔试扑克牌题目 （记忆化回溯+剪枝）
12-22
阿里笔试扑克牌题目 阿里笔试扑克牌题目 （记忆化回溯+剪枝） ```python class Main(): def __init__(self): self.memo={} def main(self): lt=input().split(' ') lt=[int(i) for i in lt] def inter(lt,ind): # print (lt,ind) res=[] if ind>=len(lt):
yolov5 run + 量化+ 蒸馏+剪枝.zip
08-26
基于Pytorch的项目实现
剪枝-yolov3剪枝的实现-附项目源码+剪枝教程.zip
01-26
yolo 剪枝_yolov3剪枝的实现_附项目源码+剪枝教程
List之LinkedList集合源码分析
命硬的博客
09-21 263
List之LinkedList集合源码分析
Docker：docker-swarm常见命令
程序员无羡的博客
04-24 673
Docker：docker-swarm常见命令
攻击图剪枝策略和评分规则介绍
weixin_43915129的博客
05-15 1016
Assessing Attack Impact on Business Processes by Interconnecting Attack Graphs and Entity Dependency Graphs 文章目录一、摘要二、相关技术介绍（一）CVSS得分（二）业务流程中的三种依赖关系 一、摘要 本文通过攻击图来评估攻击漏洞产生的影响。核心思想是所有攻击都是通过利用企业网络中的漏洞来执行的。因此，业务流程的影响得分是漏洞的严重性以及脆弱性和业务流程之间的关系的功能结果。 二、相关技术介绍 （一）
druid 关键技术点回顾
weixin_40809627的博客
12-16 401
一、druid 的设计原则方式 1、快速查询： （1）、实现技术点，内存使用上精细设计，（例如在druid中使用bitMap 压缩技术） （2）、维护一些倒排索引（可以加快And和 Or 的计算操作） 2、水平扩展能力： （1）、druid 查询性能很大晨读依赖于内存的优化使用，数据可以分布在多个节点的内存中。数据增长的时候，可以通过简单增加机器的方式进行扩容。只是按照时间切分有时候是不够的（druid 的每个segment 不超过2000万行），故druid 还支持对segment进一步分区。 （2）、历
图计算中的图剪枝算法是什么？请解释其作用和常用方法。
jakelihua
09-09 147
首先定义了一个网页链接矩阵，表示网页之间的链接关系。PageRank算法是一种用于评估网页重要性的算法，被广泛应用于搜索引擎中。它通过分析网络中的链接结构，为每个网页分配一个权重值，用于衡量网页的重要程度。PageRank算法的核心思想是，一个网页的重要性取决于其被其他重要网页所链接的数量和质量。这样可以避免出现网页之间的循环链接导致PageRank值无法收敛的问题。通过使用PageRank算法，我们可以根据网页之间的链接关系评估网页的重要性，并为搜索引擎提供有序的搜索结果。
DeepLabV3+模型剪枝实战
最新发布
03-05
剪枝前: macs=37410432000, nparams=3322455 剪枝后: macs=9498316800, nparams=855855 参数量比: ratio = 0.257597
模型剪枝方法：通过网络瘦身学习高效的卷积网络
ManiacLook的博客
12-14 4731
​ 深度卷积神经网络 (CNN) 在许多实际应用中的部署在很大程度上受到其高计算成本的阻碍。在本文中，我们为CNN提出了一种新颖的学习方案，以同时1) 减小模型大小；2) 减少运行时内存占用；3) 在不影响准确性的情况下，减少计算操作的次数。这是通过以一种简单但有效的方式在网络中实施通道级稀疏性来实现的。与许多现有方法不同，所提出的方法直接适用于现代CNN架构，将训练过程的开销降至最低，并且不需要为生成的模型使用特殊的软件/硬件加速器。我们称我们的方法为网络瘦身。
最新剪枝方法｜CNN与ViT模型都适用！（已开源）
CV_Autobot的博客
03-24 2303
作者| 小书童 编辑|集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【模型部署】技术交流群后台回复【模型部署工程】获取基于TensorRT的分类、检测任务的部署源码！结构化剪枝通过从神经网络中删除结构分组的参数来实现模型加速。然而，参数分组模式在不同的模型中差异很大，使得依赖于手动设计的分组方案的特定于体系结构的剪枝器无法推广到新的体系结构...
docker swarm部署高可用eureka服务
qq_27454697的博客
04-10 1567
一.docker swarm搭建 1.比较简单，自行百度 2.查看swarm集群下面的节点 本人将所有的节点都promote成了manager 192.168..1.119作为私有镜像库服务（harbor私有镜像库搭建与使用见上篇博客） 将需要在镜像库中的服务在daemon.json文件中注册 保存daemon.json文件后，刷新配置：systemctl daemon-reload 在110、111、112下分别注册私有镜像库服务 执行命令：vi/usr/lib/system.
Docker Swarm集群搭建及弹性部署
weixin_43762303的博客
03-23 3137
swarm集群搭建及服务部署使用
Docker Swarm （容器集群，高可用，安全）
MrLee的博客
08-24 2279
一，简介 Swarm 是 Docker官方提供的一款集群管理工具，其主要作用是把若干台 Docker 主机抽象为一个整体，并且通过一个入口统一管理这些 Docker 主机上的各种 Docker 资源。Swarm 和 Kubernetes 比较类似，但是更加轻，具有的功能也较 kubernetes 更少一些。 Docker Swarm 包含两方面：一个企业级的 Docker 安全集群，以...
Docker-Swarm介绍以及部署项目
xiaoye的博客
07-12 1521
docker-swarm是用来在多机部署多容器的一个工具，当然目前主流的是使用k8s部署，但是这个还是可以了解一下，其和k8s还有很多相似之处。
vue element 实现树形菜单栏n层级分类,NavMenu menu
weixin_38422287的博客
02-23 2242
前言：项目有个需求，要实现多层文件夹的下拉。 思路：数据结构为数组多层级嵌套模式，需要利用递归渲染菜单栏数据实现菜单多层级分类。 什么是递归？ 定义：就是函数自己调用自己本身，或者在自己函数调用的下级函数中调用自己。 递归函数的使用要注意函数终止条件避免死循环； 递归的步骤 假设递归函数已经写好 寻找递推关系 将递推关系的结构转换为递归体 将临界条件加入到递归体中 了解什么是递归后开始着手敲代码； 1.首先 模拟菜单数据，引入封装组件，index.vue <template> <d
Java实现图的m着色问题
06-02
图的m着色问题是指，在给定一个无向图的情况下，如何用不超过m种颜色对图中的所有节点进行染色，并且相邻节点颜色不能相同。这是一个经典的图论问题，可以使用回溯算法来解决。 Java实现图的m着色问题的步骤如下： 1. 定义一个Graph类表示图，包含节点数、边数和邻接矩阵等属性和方法。 2. 定义一个Coloring类表示染色过程，包含一个Graph对象和一个颜色数组colors，其中colors[i]表示第i个节点染的颜色。 3. 定义一个回溯函数backtrack(int node)来实现回溯过程。函数中，node表示当前处理的节点。首先遍历颜色数组，尝试将当前节点染成不同的颜色。如果当前颜色与相邻节点的颜色不相同，则将当前节点染成当前颜色，并递归处理下一个节点。如果所有颜色都尝试过了仍然无法满足条件，则回溯到上一个节点，重新尝试其他颜色。 4. 在backtrack函数中，如果当前节点已经是最后一个节点，则说明已经找到一种可行的染色方案，将其保存到结果集中。 5. 定义一个solve(int m)函数来解决m着色问题。函数中，首先初始化颜色数组和结果集，然后调用backtrack函数进行回溯处理，最后返回结果集。 下面是Java代码实现： ```java class Graph { int n; // 节点数 int m; // 边数 int[][] adj; // 邻接矩阵 public Graph(int n, int m) { this.n = n; this.m = m; adj = new int[n][n]; } } class Coloring { Graph graph; int[] colors; // 颜色数组 List<int[]> res; // 结果集 public Coloring(Graph graph) { this.graph = graph; colors = new int[graph.n]; res = new ArrayList<>(); } public List<int[]> solve(int m) { backtrack(0, m); return res; } private void backtrack(int node, int m) { if (node == graph.n) { // 找到一组可行解 int[] temp = Arrays.copyOf(colors, graph.n); res.add(temp); return; } for (int i = 1; i <= m; i++) { // 枚举所有颜色 if (isValid(node, i)) { // 如果当前颜色可行 colors[node] = i; // 将当前节点染成当前颜色 backtrack(node + 1, m); // 递归处理下一个节点 colors[node] = 0; // 回溯到上一个节点 } } } private boolean isValid(int node, int color) { for (int i = 0; i < graph.n; i++) { if (graph.adj[node][i] == 1 && colors[i] == color) { // 如果相邻节点颜色相同 return false; } } return true; } } public class Main { public static void main(String[] args) { Graph graph = new Graph(5, 7); graph.adj = new int[][]{{0, 1, 1, 0, 1}, {1, 0, 1, 1, 1}, {1, 1, 0, 1, 0}, {0, 1, 1, 0, 1}, {1, 1, 0, 1, 0}}; Coloring coloring = new Coloring(graph); List<int[]> res = coloring.solve(3); for (int[] arr : res) { System.out.println(Arrays.toString(arr)); } } } ``` 在上面的代码中，我们定义了一个5个节点、7条边的无向图，并使用邻接矩阵表示图的结构。然后定义一个Coloring类来实现染色过程。在main函数中，我们调用Coloring.solve方法来解决m着色问题，并输出所有的可行解。 注意，在实际应用中，可能需要对算法进行优化，比如使用剪枝技巧来减少回溯次数，以提高算法效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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