BestCoder冠军赛 - 1009 Exploration 【Tarjan+并查集缩点】

题意

给一个图,这个图中既有有向边,又有无向边,每条边只能走一次,问图中是否存在环。

最多10^6个点,10^6个无向边,10^6个有向边

 

【题解】

因为既有有向边又有无向边,所以不能单纯的用tarjan判环,阻碍咱使用tarjan的主要还是无向边,显然不可以把无向边拆成两个有向边来搞,因为这条边只能走一次,拆成两条边可能来回分别走一次,就不满足题意了。

咱可以先处理无向边,无向边可能会把图连成一个个的连通块,用并查集,把这些连通块缩成一个点,注意,如果当发现某个无向边的两个端点在同一个并查集中,说明已经找到环了。

接下来就是处理有向边,直接用tarjan判环即可,还是要注意处理加入有向边的时候如果两个端点在同一个并查集中,说明已经找到环了,但是要注意你并不能立即输出并退出,因为这个是多CASE,所以需要读完整个数据才能退出。

 

============

写挂了两发,最后发现tarjan函数开始部分非常傻逼的把栈清空了。。。

 

 

#pragma comment(linker, "/STACK:102400000,102400000")
#include<cstdio>
#include<cstring>
#include<cmath>
#include<iostream>
#include<algorithm>
#include<set>
#include<map>
#include<stack>
#include<vector>
#include<queue>
#include<string>
#include<sstream>
#define eps 1e-9
#define ALL(x) x.begin(),x.end()
#define INS(x) inserter(x,x.begin())
#define FOR(i,j,k) for(int i=j;i<=k;i++)
#define MAXN 2000005
#define MAXM 4000005
#define INF 0x3fffffff
#define PB push_back
#define MP make_pair
#define X first
#define Y second
#define lc (k<<1)
#define rc ((k<<1)1)
using namespace std;
typedef long long LL;
int i,j,k,n,m,x,y,T,ans,big,cas,num,len;
bool flag;
int fa[MAXN]; 
int find(int x)
{
    if (x==fa[x]) return fa[x];
    return fa[x]=find(fa[x]);
}

int edge,head[MAXN];
struct edgenode
{
    int to,next;
} G[MAXM];

void add_edge(int x,int y)
{
    G[edge].to=y;
    G[edge].next=head[x];
    head[x]=edge++;
}


int K,indexs,nn,mm;
int dfn[MAXN],low[MAXN],instack[MAXN],belong[MAXN];
stack <int> tar;
 
bool tarjan(int k)
{
    int p,j;
    tar.push(k);
    instack[k]=1;
    dfn[k]=low[k]=++indexs;
    for(int j=head[k];j!=-1;j=G[j].next)
    {
        p=G[j].to;
        if (instack[p])
        {
            low[k]=min(low[k],dfn[p]);
        }
        else
        if(dfn[p]==-1)
        {
            if (tarjan(p)) return true;
            low[k]=min(low[k],low[p]);
        }
    }

    if(low[k]==dfn[k])
    {
        nn++;
        int sz=0;
        do
        {
            j=tar.top();
            tar.pop();
            instack[j]=0;
            belong[j]=nn;
            sz++;
        }while(j!=k);
        
        if (sz>1) return true;
    }
    return false;
}

bool build_map()
{
    memset(dfn,-1,sizeof(dfn));
    memset(low,-1,sizeof(low));
    memset(instack,0,sizeof(instack));
    indexs=0;nn=0;
    while (!tar.empty()) tar.pop();
    for (i=0;i<=n;i++) belong[i]=i;
    for (i=1;i<=n;i++)
    {
        if (fa[i]==i && dfn[i]==-1)
            if (tarjan(i)) return true;
    }
    
    return false;
}



bool RUN()
{
    memset(head,-1,sizeof(head));
    edge=0;
    int m1,m2;
    scanf("%d%d%d",&n,&m1,&m2);
    for (i=0;i<=n;i++) fa[i]=i;
    flag=false;
    for (i=1;i<=m1;i++)
    {
        scanf("%d%d",&x,&y);
        int fx=find(x);
        int fy=find(y);
        if (fx==fy) flag=true;
        else fa[fx]=fy;
    }
    
    for (i=1;i<=m2;i++)
    {
        scanf("%d%d",&x,&y);
        x=find(x);
        y=find(y);
        if (x==y) flag=true;
        add_edge(x,y);
    }
    if (flag) return true;
    return build_map();
}

int main()
{
    scanf("%d",&T);
    while (T--)
    {
        if (RUN()) printf("YES\n"); else printf("NO\n");
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/zhyfzy/p/4472422.html

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