并查集

理论

定义

并查集是一种维护集合的数据结构,它的名字中“并”“查”“集“分别取自Union(合并)、Find(查找)、Set(集合)这三个单词。也就是说,并查集之锤下面两个操作:

1.合并:合并两个集合。

2.查找:判断两个元素是否在一个集合。

并查集一般就是用一个father数组实现,表示其父亲结点。

基本操作

初始化

for(int i=0;i<=N;i++){
	father[i]=i;//father[i]=-1也行 此处习惯用i
}

查找

int findFather(int x){
	if(x==father[x]) return x;
	return findFather(father[x]);
}

查找优化(让并查集的高度尽量低一点) 即路径压缩

int findFather(int x){
	if(x==father[x]) return x;
	else{
		int F=findFather4(father[x]);//注意是father[x]
		father[x]=F;//回溯过程中一步步退回来更改每个结点的根
		return F;
	}
}

合并

int Union(int a,int b){
	int faA=findFather(a);
	int faB=findFather(b);
	if(faA!=faB){
		father[faA]=faB;
	}
}

例子

#include<iostream>
#include<algorithm>
#include<cstring>
#include<string>
#include<cmath>
#include<queue>
#include<vector>
using namespace std;
 
const int maxn=100;
int father[maxn];
 
//查找 返回x所在集合根节点
int findFather(int x){
	while(x!=father[x]){//如果不是根节点,继续循环
		x=father[x];
	}
	//最后father[x]=x肯定就是根x了
	return x;
}
 
//查找 递归实现
int findFather(int x){
	if(x==father[x]) return x;
	return findFather2(father[x]);//注意调用findFather2
}
 
//合并
int Union(int a,int b){
	int faA=findFather(a);
	int faB=findFather(b);
	if(faA!=faB){
		father[faA]=faB;
	}
}
 
//路径压缩  边找边改
int findFather3(int x){
	int a=x;
	while(x!=father[x]){
		x=father[x];
	}
	//此时x是根  a是原始节点 走过的结点现在都直接让他指向根
	while(a!=father[a]){
		int z=a;
		a=father[a];//循环的下一步
		father[z]=x;//每个走过的结点都直接指向根
	}
	return x;
}
 
//路径压缩递归写法
int findFather4(int x){
	if(x==father[x]) return x;
	else{
		int F=findFather4(father[x]);//注意是father[x]
		father[x]=F;//回溯过程中一步步退回来更改每个结点的根
		return F;
	}
}
 
int main(){
	freopen("input.txt","r",stdin);
	int N;
	cin>>N;
	//初始化
	for(int i=0;i<=N;i++){
		father[i]=i;//father[i]=-1也行 此处习惯用i
	}
	return 0;
}

应用练习

Social Clusters(A1107)

畅通工程(浙江大学)

Is It A Tree?(北京大学)

找出直系亲属(浙江大学)

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