luogu P3366 【模板】最小生成树 | kruskal

luogu P3366 【模板】最小生成树

在连接各个点的所有路径中,选取最短的路径连接所有点

n个顶点,e条边,时间复杂度O(eloge)

kruskal主要思路:
  1. 输入边,用结构体储存

  2. 用结构体快排以边比较从小到大快排

  3. 建一个并查集,并初始化并查集(并查集代表两个点有没有在同一个树里面

  4. for(i=1;i<=m(边数);i++)找最短的一条边,若其连接的两个点不在同一个并查集里面,就将两者所在的并查集合并,并将ans+=s[i].len。

  5. 若在同一个并查集,则跳过这次循环。因为如果这两个点连接起来,就会形成一个环。

  6. 直到边有n-1条

 

 

 

#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
struct ll
{
    int x,y,len;
}s[200020];
bool cmp(ll a,ll b)
{
    return a.len<b.len;
}
int n,m,ans;
int fa[5050],big[5050];
int getfa(int x)
{
    if(fa[x]==x) return x;
    return fa[x]=getfa(fa[x]);
}
void gaibaba(int x,int y)
{
    int ba1=getfa(x),ba2=getfa(y);
    if(ba1==ba2) return;
    if(big[ba1]<big[ba2])
    {
        fa[ba1]=ba2;
        big[ba2]+=big[ba1];
    }
    else
    {
        fa[ba2]=ba1;
        big[ba1]+=big[ba2];
    }
}
int main()
{
    scanf("%d%d",&n,&m);
    for(int i=1;i<=m;i++)
    {
        scanf("%d%d%d",&s[i].x,&s[i].y,&s[i].len);
        fa[s[i].x]=s[i].x;
        fa[s[i].y]=s[i].y;
    }
    int k=0;
    sort(s+1,s+m+1,cmp);
    for(int i=1;i<=m;i++)
    {
        if(getfa(s[i].x)!=getfa(s[i].y))
        {
            ans+=s[i].len;
            gaibaba(s[i].x,s[i].y );
            k++;
        }
        if(k==n-1)
        {
            printf("%d",ans);
            return 0;
        }
    }
    printf("orz");
    return 0;
}

 

转载于:https://www.cnblogs.com/QAQq/p/10301106.html

  • 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