模板—e-dcc缩点

int dfn[MAXN],low[MAXN],cnt;
bool isbridge[MAXN];
void tarjan(int x,int edg)
{
    low[x]=dfn[x]=++cnt;
    for(int i=f(x);i;i=n(i))
    if(!dfn[v(i)])
    {
        tarjan(v(i),i);
        low[x]=min(low[x],low[v(i)]);
        if(low[v(i)]>dfn[x])
            isbridge[i]=isbridge[i^1]=1;
    }
    else if(i!=(edg^1))low[x]=min(low[x],dfn[v(i)]);
}
int c[MAXN],dcc;
void dfs(int x,int dcc)
{
    c[x]=dcc;
    for(int i=f(x);i;i=n(i))
    if(!c[v(i)]&&!isbridge[i])
        dfs(v(i),dcc);
}
signed main()
{
    for(int i=1;i<=n;i++)
    if(!dfn[i])tarjan(i,0);
    for(int i=1;i<=n;i++)
    if(!c[i])dcc++,dfs(i,dcc);
    for(int i=2;i<=num_e;i++)
    if(c[u(i)]!=c[v(i)])
        du[c[u(i)]]++;
}

 

转载于:https://www.cnblogs.com/Al-Ca/p/11181169.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
辽B代驾管理系统对代驾订单管理、用户咨询管理、代驾订单评价管理、代驾订单投诉管理、字典管理、论坛管理、公告管理、新闻信息管理、司机管理、用户管理、管理员管理等进行集中化处理。经过前面自己查阅的网络知识,加上自己在学校课堂上学习的知识,决定开发系统选择小程序模式这种高效率的模式完成系统功能开发。这种模式让操作员基于浏览器的方式进行网站访问,采用的主流的Java语言这种面向对象的语言进行辽B代驾管理系统程序的开发,在数据库的选择上面,选择功能强大的Mysql数据库进行数据的存放操作。辽B代驾管理系统的开发让用户查看代驾订单信息变得容易,让管理员高效管理代驾订单信息。 辽B代驾管理系统具有管理员角色,用户角色,这几个操作权限。 辽B代驾管理系统针对管理员设置的功能有:添加并管理各种类型信息,管理用户账户信息,管理代驾订单信息,管理公告信息等内容。 辽B代驾管理系统针对用户设置的功能有:查看并修改个人信息,查看代驾订单信息,查看公告信息等内容。 辽B代驾管理系统针对管理员设置的功能有:添加并管理各种类型信息,管理用户账户信息,管理代驾订单信息,管理公告信息等内容。 辽B代驾管理系统针对用户设置的功能有:查看并修改个人信息,查看代驾订单信息,查看公告信息等内容。 系统登录功能是程序必不可少的功能,在登录页面必填的数据有两项,一项就是账号,另一项数据就是密码,当管理员正确填写并提交这二者数据之后,管理员就可以进入系统后台功能操作区。项目管理页面提供的功能操作有:查看代驾订单,删除代驾订单操作,新增代驾订单操作,修改代驾订单操作。公告信息管理页面提供的功能操作有:新增公告,修改公告,删除公告操作。公告类型管理页面显示所有公告类型,在此页面既可以让管理员添加新的公告信息类型,也能对已有的公告类型信息执行编辑更新,失效的公告类型信息也能让管理员快速删除。新闻管理页面,此页面提供给管理员的功能有:新增新闻,修改新闻,删除新闻。新闻类型管理页面,此页面提供给管理员的功能有:新增新闻类型,修改新闻类型,删除新闻类型。
在Python中,可以使用多个库来实现Copula-DCC-GARCH模型的建模和分析,包括: 1. arch库:提供了实现GARCH模型的类和函数,可以方便地对金融资产的波动率进行建模和估计。 2. Copula库:提供了实现Copula函数的类和函数,包括t-copula等。 3. PyFlux库:提供了实现DCC-GARCH模型的类和函数,可以方便地对资产之间的相关性进行建模和估计。 下面是一个简单的示例代码,演示如何使用这些库来实现t-copula-dcc-garch模型: ```python import numpy as np import pandas as pd import arch from copulae1 import TCopula import pyflux as pf # 读取数据 df = pd.read_csv('data.csv', index_col=0) # 计算收益率 returns = df.pct_change().dropna() # 建立t-copula copula = TCopula(dim=len(returns.columns), df=3) # 估计copula参数 copula.fit(returns) # 建立DCC-GARCH模型 model = pf.DCC(returns, p=1, q=1) # 估计DCC-GARCH模型参数 model.fit() # 预测未来波动率 forecast = model.predict(horizon=10) # 计算条件分位数 q = copula.percentile(np.array([0.05, 0.95])) # 生成随机样本 simulated_data = copula.simulate(1000) # 输出结果 print('Copula参数:', copula.params) print('DCC-GARCH参数:', model.latent_variables) print('未来波动率预测:', forecast.head()) print('条件分位数:', q) print('随机样本:', simulated_data[:10]) ``` 在这个示例中,我们首先读取数据并计算收益率,然后使用t-copula估计资产之间的相关性,接着使用DCC-GARCH模型估计资产的波动率,并进行未来波动率预测、条件分位数计算和随机样本生成等操作。
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