Codeforces #541 (Div. 2) F. Asya And Kittens (并查集+DFS)

题目 :https://codeforces.com/problemset/problem/1131/F

题目大意: 给你标号为1~N的N个元素,顺序未知,然后N-1次元素合并,每次合并要求两元素所在集合相邻,最后问原始位置.

很明显的看出合并联通块要用到并查集,难点在最后怎么得到原始顺序,看了看巨巨的代码 https://blog.csdn.net/Link_Ray/article/details/87904632 ,大概就是对每次询问的x,y ,用并查集求其父节点u,v 然后建一条边 u -> v 最后跑一下dfs.因为加边顺序是按输入顺序决定的,所以dfs的时候也是按输入顺序决定的.
比如
6
1 2
1 3
4 5
4 6
1 4
能够得到G[1]={2,3,4} G[4]={5,6} (对应的图也是来自巨巨博客,他给的输入顺序和图好像有点错开,稍微改了下顺序)

当我们对根节点访问的时候,得到的DFS序就刚好满足题意

#include<cstdio>
#include<cstring>
#include<cmath>
#include<string>
#include<iostream>
#include<vector>
#include<map>
#include<set>
#include<stack>
#include<queue>
#include<stdlib.h>
#include<algorithm>
#include<time.h>
#define bug1(g) cout<<"test: "<<g<<endl
#define bug2(g,i) cout<<"test: "<<g<<" "<<i<<endl
#define bug3(g,i,k) cout<<"test: "<<g<<" "<<i<<" "<<k<<endl
using namespace std;
typedef  long long ll;
int n,q;
int x[150005],y[150005],f[150005];
void init()
{
    for(int i =0;i<=n;i++) f[i]=i;
}
int fi(int x)
{
    if(f[x]==x) return x;
    else return f[x]=fi(f[x]);
}
vector<int>a[150005];
void dfs(int x)
{
    cout<<x<<" ";
    //getchar();
    for(int i=0;i<a[x].size();i++)
        dfs(a[x][i]);
}
int main()
{
    ios::sync_with_stdio(0);
    cin>>n;
    init();
    int u,v;
    for(int i =0;i<n-1;i++)
    {
        cin>>x[i]>>y[i];
        u=fi(x[i]),v=fi(y[i]);
        a[u].push_back(v);
        f[v]=u;
    }
    dfs(fi(1));
    return 0;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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