第十二周 项目一图基本算法库

/*     
* Copyright (c)2016,烟台大学计算机与控制工程学院     
* All rights reserved.     
* 文件名称:项目1.cpp     
* 作    者:王晓慧     
* 完成日期:2016年11月17日     
* 版 本 号:v1.0      
*问题描述:定义图的邻接矩阵和邻接表存储结构,实现其基本运算,并完成测试。   
*输入描述:无     
*程序输出:测试数据     

*/ 

main.cpp

#include "1.h"  
  
int main()  
{  
    MGraph g1,g2;  
    ALGraph *G1,*G2;  
    int A[6][6]=  
    {  
        {0,5,0,7,0,0},  
        {0,0,4,0,0,0},  
        {8,0,0,0,0,9},  
        {0,0,5,0,0,6},  
        {0,0,0,5,0,0},  
        {3,0,0,0,1,0}  
    };  
  
    ArrayToMat(A[0], 6, g1);  //取二维数组的起始地址作实参,用A[0],因其实质为一维数组地址,与形参匹配  
    printf(" 有向图g1的邻接矩阵:\n");  
    DispMat(g1);  
  
    ArrayToList(A[0], 6, G1);  
    printf(" 有向图G1的邻接表:\n");  
    DispAdj(G1);  
  
    MatToList(g1,G2);  
    printf(" 图g1的邻接矩阵转换成邻接表G2:\n");  
    DispAdj(G2);  
  
    ListToMat(G1,g2);  
    printf(" 图G1的邻接表转换成邻接邻阵g2:\n");  
    DispMat(g2);  
    printf("\n");  
    return 0;  
}  
1.cpp

#include "1.h"  
  
//功能:由一个反映图中顶点邻接关系的二维数组,构造出用邻接矩阵存储的图  
//参数:Arr - 数组名,由于形式参数为二维数组时必须给出每行的元素个数,在此将参数Arr声明为一维数组名(指向int的指针)  
//      n - 矩阵的阶数  
//      g - 要构造出来的邻接矩阵数据结构  
void ArrayToMat(int *Arr, int n, MGraph &g)  
{  
    int i,j,count=0;  //count用于统计边数,即矩阵中非0元素个数  
    g.n=n;  
    for (i=0; i<g.n; i++)  
        for (j=0; j<g.n; j++)  
        {  
            g.edges[i][j]=Arr[i*n+j]; //将Arr看作n×n的二维数组,Arr[i*n+j]即是Arr[i][j],计算存储位置的功夫在此应用  
            if(g.edges[i][j]!=0 && g.edges[i][j]!=INF)  
                count++;  
        }  
    g.e=count;  
}  
  
void ArrayToList(int *Arr, int n, ALGraph *&G)  
{  
    int i,j,count=0;  //count用于统计边数,即矩阵中非0元素个数  
    ArcNode *p;  
    G=(ALGraph *)malloc(sizeof(ALGraph));  
    G->n=n;  
    for (i=0; i<n; i++)                 //给邻接表中所有头节点的指针域置初值  
        G->adjlist[i].firstarc=NULL;  
    for (i=0; i<n; i++)                 //检查邻接矩阵中每个元素  
        for (j=n-1; j>=0; j--)  
            if (Arr[i*n+j]!=0)      //存在一条边,将Arr看作n×n的二维数组,Arr[i*n+j]即是Arr[i][j]  
            {  
                p=(ArcNode *)malloc(sizeof(ArcNode));   //创建一个节点*p  
                p->adjvex=j;  
                p->info=Arr[i*n+j];  
                p->nextarc=G->adjlist[i].firstarc;      //采用头插法插入*p  
                G->adjlist[i].firstarc=p;  
            }  
  
    G->e=count;  
}  
  
void MatToList(MGraph g, ALGraph *&G)  
//将邻接矩阵g转换成邻接表G  
{  
    int i,j;  
    ArcNode *p;  
    G=(ALGraph *)malloc(sizeof(ALGraph));  
    for (i=0; i<g.n; i++)                   //给邻接表中所有头节点的指针域置初值  
        G->adjlist[i].firstarc=NULL;  
    for (i=0; i<g.n; i++)                   //检查邻接矩阵中每个元素  
        for (j=g.n-1; j>=0; j--)  
            if (g.edges[i][j]!=0)       //存在一条边  
            {  
                p=(ArcNode *)malloc(sizeof(ArcNode));   //创建一个节点*p  
                p->adjvex=j;  
                p->info=g.edges[i][j];  
                p->nextarc=G->adjlist[i].firstarc;      //采用头插法插入*p  
                G->adjlist[i].firstarc=p;  
            }  
    G->n=g.n;  
    G->e=g.e;  
}  
  
void ListToMat(ALGraph *G,MGraph &g)  
//将邻接表G转换成邻接矩阵g  
{  
    int i,j;  
    ArcNode *p;  
    g.n=G->n;   //根据一楼同学“举报”改的。g.n未赋值,下面的初始化不起作用  
    g.e=G->e;  
    for (i=0; i<g.n; i++)   //先初始化邻接矩阵  
        for (j=0; j<g.n; j++)  
            g.edges[i][j]=0;  
    for (i=0; i<G->n; i++)  //根据邻接表,为邻接矩阵赋值  
    {  
        p=G->adjlist[i].firstarc;  
        while (p!=NULL)  
        {  
            g.edges[i][p->adjvex]=p->info;  
            p=p->nextarc;  
        }  
    }  
}  
  
void DispMat(MGraph g)  
//输出邻接矩阵g  
{  
    int i,j;  
    for (i=0; i<g.n; i++)  
    {  
        for (j=0; j<g.n; j++)  
            if (g.edges[i][j]==INF)  
                printf("%3s","∞");  
            else  
                printf("%3d",g.edges[i][j]);  
        printf("\n");  
    }  
}  
  
void DispAdj(ALGraph *G)  
//输出邻接表G  
{  
    int i;  
    ArcNode *p;  
    for (i=0; i<G->n; i++)  
    {  
        p=G->adjlist[i].firstarc;  
        printf("%3d: ",i);  
        while (p!=NULL)  
        {  
            printf("-->%d/%d ",p->adjvex,p->info);  
            p=p->nextarc;  
        }  
        printf("\n");  
    }  
}  
1.h

#include <stdio.h>  
#include <malloc.h>  
#define MAXV 100                //最大顶点个数  
#define INF 32767       //INF表示∞  
typedef int InfoType;  
  
//以下定义邻接矩阵类型  
typedef struct  
{  
    int no;                     //顶点编号  
    InfoType info;              //顶点其他信息,在此存放带权图权值  
} VertexType;                   //顶点类型  
  
typedef struct                  //图的定义  
{  
    int edges[MAXV][MAXV];      //邻接矩阵  
    int n,e;                    //顶点数,弧数  
    VertexType vexs[MAXV];      //存放顶点信息  
} MGraph;                       //图的邻接矩阵类型  
  
//以下定义邻接表类型  
typedef struct ANode            //弧的结点结构类型  
{  
    int adjvex;                 //该弧的终点位置  
    struct ANode *nextarc;      //指向下一条弧的指针  
    InfoType info;              //该弧的相关信息,这里用于存放权值  
} ArcNode;  
  
typedef int Vertex;  
  
typedef struct Vnode            //邻接表头结点的类型  
{  
    Vertex data;                //顶点信息  
    int count;                  //存放顶点入度,只在拓扑排序中用  
    ArcNode *firstarc;          //指向第一条弧  
} VNode;  
  
typedef VNode AdjList[MAXV];    //AdjList是邻接表类型  
  
typedef struct  
{  
    AdjList adjlist;            //邻接表  
    int n,e;                    //图中顶点数n和边数e  
} ALGraph;                      //图的邻接表类型  
  
//功能:由一个反映图中顶点邻接关系的二维数组,构造出用邻接矩阵存储的图  
//参数:Arr - 数组名,由于形式参数为二维数组时必须给出每行的元素个数,在此将参数Arr声明为一维数组名(指向int的指针)  
//      n - 矩阵的阶数  
//      g - 要构造出来的邻接矩阵数据结构  
void ArrayToMat(int *Arr, int n, MGraph &g); //用普通数组构造图的邻接矩阵  
void ArrayToList(int *Arr, int n, ALGraph *&); //用普通数组构造图的邻接表  
void MatToList(MGraph g,ALGraph *&G);//将邻接矩阵g转换成邻接表G  
void ListToMat(ALGraph *G,MGraph &g);//将邻接表G转换成邻接矩阵g  
void DispMat(MGraph g);//输出邻接矩阵g  
void DispAdj(ALGraph *G);//输出邻接表G  




知识点总结:图的基本运算


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。 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。
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。 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。
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。 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。
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。 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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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