华为2020软件精英挑战赛成渝赛区初赛赛后方案分享

队伍介绍

我们是来自UESTC的选手。成渝赛区初赛成绩为0.1806。在这里分享我们的方案和代码。本篇博客对于前排大佬毫无用处，仅适用于后排同学学习进步使用。犹豫很久还是决定开源了，因为复赛题目数据量增大了，读取方式和数据结构也可能发生一些变化，我的代码即便开源，也不会影响正常的比赛。

框架

• 第一步：mmap读取并解析数据，做好**id映射**
• 第二步：构建图并使用**拓扑排序**剪掉出度和入度为0的节点
• 第三步：并行寻环，顺便并行往char数组中写入内容
• 第四步：写入文件

约定符号

• $N$： 有N个节点
• $i$： 节点ID值映射到1-N之间， i ∈ { 1 , 2 , . . . , N } i \in \{1, 2, ..., N\} i∈{1,2,...,N}
• $I$: 节点原始ID，就是来自原始数据，是不连续的数字

1. 前菜

总的来说，重点在第2步和第3步，然后再配合上一些细节。我们先提出几个问题：

1. 能不能在寻环的过程中，就保证环的起点是最小ID值
2. 能不能寻环结束之后，就能保证全部的环是按照长度为第一优先级，字典序为第二优先级排好序。

这两个问题能省掉很多多余的操作，并且大部分选手都能解决，不失完整性，还是先从这两个问题开头。

• 针对第一个问题，如果dfs遍历到4->3->5->2, 我们应该输出2->4->3->5。 当我们开始寻找以2为起点的环时，只要控制遍历的ID值是大于2的，在环中2总是最小值。
• 针对第二个问题， 我们最开始的做法是对所有环(300W个）做一个排序。但后来发现，其实遍历输出的环本身是可以有序的。首先先对ID值做一个排序，要保证ID值的相对顺序和ID映射之后的相对顺序一致。 比如说有4个$I$：$4,10,7,12$， 如果按照先后出现的顺序做映射，那么$I$->$i$: { 4 : 1 ; 10 : 2 ; 7 : 3 ; 12 : 4 } \{4:1; 10:2; 7:3; 12:4\} {4:1;10:2;7:3;12:4}，试想，从寻找$i$为起点的环，$i$从$1-N$变化，当i为1时，开始找以4为起点的环，然后是找以10为起点的环。那这样子，全部的环排列当然是无序的。但是如果先对所有的$I$排个序，再做映射， $I$->$i$: { 4 : 1 ; 7 : 2 ; 10 : 3 ; 12 : 4 } \{4:1;7:2;10:3;12:4\} {4:1;7:2;10:3;12:4}， { 4 , 7 , 10 , 12 } \{4,7,10,12\} {4,7,10,12}和 { 1 , 2 , 3 , 4 } \{1,2,3,4\} {1,2,3,4}的相对顺序是相同的。那么挨个寻欢的过程中，环的起点是按照顺序的，但是环长度却不能保证，所以还需要为5个长度的环，单独建立一个容器。例如检测到3环，就写到对应的容器中。这个容器可以是int数组，也可以是char数组。

2. 中菜

2.1.1 构图

图的数据结构用二维数组当做邻接表。最大出入度设置为50（为何我要提入度？）。
从数据解析出节点连接对(pair)之后，就可以往二维数组中装东西了，并且统计节点入度。构建的图肯定是冗余的，因为有些节点入度为0，这类节点当然会有环；同样出度为0的节点也是。而拓扑排序能去除掉出入度为0的节点(在线上，使用拓扑排序带来的增益是恐怖的，和线上数据分布有关，因为好多节点是无效的)。以入度为0为例子：

1这个节点是没有入度的。我们把和他连接的边全部删除，发现2的入度也为0了；接着2对寻欢也没有帮助了，然后继续删除。出度为0的节点也可以使用该方法删除，但在线上好像提升没有删除入度的提升大。
我们已经知道哪些节点入度为0，根据邻接表，走到其后继节点，同样把他们的入度减1。如果后继节点的入度为0，继续对其后继节点的入度减1…。 然后引出反向图。

反向图: 如果i直接连接到j， 那么记录下有 哪些节点和j存在以j为终点的直接连接，同样是一个邻接表，只不过是反向记录的。反向图的好处是很大的，可以帮助dfs执行的更快。

当我们构造好反向图，利用反向图在构建一次新的正向图（旧的图就无效了），这个时候图中就没有入度为0的点了。用同样的思路，可以继续删除出度为0的点。所以我的代码用了很多的connectionLeft和connectionRight，就是用来存图的。

3. 压轴菜

3.1 双向dfs

如果用dfs寻找环长度为7的环，最大递归深度为7。非常深，层次越大，遍历的节点数目呈指数级上升。能不能不遍历这么多层就可以知道有没有环呢。数组7的最大平均拆分是4+3或者3+4。 很多选手都说自己的方案是4+3或者几+几。这些数字的意义是啥。见下图

这里有一个环:1->2->4->3->5->6->7，起点为1。
对于环，从一个位置往后继节点位置走，和往反向走，一定会碰到一起。比如1往后继节点走4步到5，然后1往反向走3步，居然也是5。正向递归深度为4，反向深度为3。当开始寻找以$i$为起点的环时，可以先反向走3步，构建能到i的反向路径，用$P3$存这样的路径，用$P2$存从反向走2步的路径。然后开始从$i$出发，正向开始遍历，假设第一层dfs遍历到数组$k$，那么目前的路径为$i$->$k$。假设$i$存在一个长度为3的环 { i , k , n , } \{i, k, n,\} {i,k,n,}，$i$反向走2步也是到$k$。而我们已经用$P2$记录了从$i$反向走两步的所有路径，如果这些路径中存在以k为起点的路段，那我们就找到了一个以$i$为起点，长度为3的环。接下来，再往后继节点走一步，我们可以通过$P2$获得长度为4的环，通过$P3$获得长度为5的环；以此类推。至于如何使用$P2，P3$，可以见开源代码部分。

3.2 并行执行

很多选手说并行执行是负优化或者提升不大，很可能是没考虑到线程的工作量是否均衡。
还有选手说使用并行就result is incorrect，也有可能是每个线程的数组不够大，有些数组被撑爆了，从而导致丢了答案。
我了解的前排大佬中，为了平衡工作量，他们开了很多的线程，有6的有8的，然后切出来8段区间，每个线程去完成自己的那块区域的寻环。有7个数值要调参。 ddd大佬使用的是自己写的调度算法，敬请期待他的代码。
我们在比赛后期使用并行的时候，因为代码设计不合理，如果要使用超级多的线程，那需要对函数以及变量复制多份。我们采用的四线程。中间某个位置切一刀。

线程2和线程4是从大到小寻环，所以memcpy也要倒着走。这样子，我们只要调整一个参数，并且可以保证效率是双核以上。

4. 各种细节

4.1 IO篇

• 一般用映射需要使用sort和unique，但是ID值全部都是在20w数字一下，那么就可以使用一个20w大小的数组，标记出现的数组为1，然后遍历这个数组，同时用cnt记录当前ID映射到的index值即可。
• 读数据的时候，顺便把$i$对应的ID值的字符形式表示出来。有两种办法，第一种，直接从mmap映射到的字符串中截取出来。第二种，自己写个to_char函数，把整型转换为char*，方便写入。我们组使用的是后者。
• 写入数据直接往字符数组中写，如果还利用了多线程，那就相当于同时并行处理了写入数据。
• fwrite比mmap还快了一点。多用数组，比vector和new出来的数组快很多。

4.2 DFS

• 前向dfs要走4步，用5层for循环嵌套的效率 远远低于 递归写法
• 调整if else if的顺序， 把经常发生的情况写在前面；另外switch case的效率高于if else if
• 遍历下一层的时候，先用引用一下出度的值，避免在for循环中的条件判断，每次都做指针位移操作，相当于减少一次加法。
• 函数中尽量不要带形参，需要带形参的可以设置为全局变量。
• 根据官方微信推送的优化思路，用一些临时变量有助于减少寻址。

赛后感受

• 细节决定排名
• 算法虽好，也要看实现方式（数据结构尽量用数组，new和vector是真的慢）
• ddd， chier 永远滴神
• C++强无敌

代码地址点击我