poj 1679 The Unique MST

判断MST的唯一性

用kruskal算法实现,主要利用MST的环性质

  1. 先保存所有的边在一个边集数组a中,然后单独去构建一个MST,在a中没能用上的非安全边全部放到另一个边集数组b中
  2. 另外在构建MST过程要构建一个邻接表,用vextor来实现,也就是只统计MST之间的连通情况,非安全边的不统计在内

例如 1 2 3(安全边)

     1 3 4(非安全边)

那么邻接表中,与点1相通的点有点2但是没有点3,因为点3不在MST中,所以在MST中遍历的时候是没办法直接从点1到点3的

  1. 接下来是就利用MST的环性质,一个MST中不管加入那条非安全边都将会形成一个环。所以我们枚举所有的非安全边,一条非安全边e,(u,v)权值为w,我们从一个顶点u出发去dfs,直到找到另一个顶点v为止。这样我们其实就是找到了这个环,然后原路返回,在返回的过程中查看这个环是否存在一条边的权值是否和e的权值w相同,若存在,我们其实是可以用e去替换这条边的,说明这个MST不是唯一
  2. 所以我们枚举所有的非安全边,若所以的非安全边都不能在它们形成的环中找到可以替代的边,那个这个MST就是唯一的
  3. 关键是dfs函数的写法,我们设置一个全局变量FIND,FIND=0表示没能找到替换的边,FIND=1表示找到了。dfs有返回值,返回0表示走到了某条路径走到了尽头但是都没有找到点v,要继续找,若是返回1,则说明已经找到了点v,同样是返回,但是这个返回的路径其实就是环的路径,所以没返回到一层就看看当前的边的权值和e的权值是否相同,并随时更改FIND。所以在dfs递归函数的出口处要做判断,最优先的判断是FIND,若FIND=1,那么说明不仅是找到了点v还找到了替换边,那么直接返回。次优先的判断是看dfs的返回值,若是0还要在当前层里面枚举,若不是只需要判断权值就可以返回了

l  说一下WA的地方。其一是,在DFS的时候要有vis数组标记被访问过的点,否则递归太深会爆空间,当时不断爆空间不知道干嘛了第一时间想到数组开大了,但是后来查看过别人的代码开的数组比我还大,后来才想到是递归的问题,很无语………然后就是构建邻接表,是只对MST里面的边构建邻接表,非安全边不要,就是这个原因也WA了很多次

  1. 另外这个代码没有考虑MST不连通的情况,但是也AC了。另外也没有考虑什么边的权值为0或者负值但是测试过简单的数据是没错的

 

#include <stdio.h>
#include <string.h>
#include <algorithm>
#include <vector>
using namespace std;
#define N 110
#define M 10010
struct edge
{
    int u,v,w;
}a[M],b[M];

struct mat
{int k; int w;};
vector <struct mat> g[N];

int n,m,sumw;
int mm;  //收集所有非安全边在b边集数组,mm是非安全边的条数
int p[N];  //用于并查集
bool vis[N];
int FIND;  //判断是否找到了可以替换的边


int cmp(struct edge x , struct edge y)
{ return x.w<y.w; }
int find(int x)
{ return p[x]==x ? x : p[x]=find(p[x]); }

void input()
{
    int i,j,u,v,w;
    struct mat tmp;
    scanf("%d%d",&n,&m);
    for(i=1; i<=n; i++)  g[i].clear();  //初始化
    for(i=1; i<=m; i++)
        scanf("%d%d%d",&a[i].u , &a[i].v , &a[i].w);
    return ;
}
void kruskal()
{
    int i,j,x,y;

    struct mat tmp;
    sort(a+1,a+m+1,cmp);

    for(i=1 ;i<=n; i++) p[i]=i;
    mm=0; sumw=0;
    
    for(i=1; i<=m; i++)
    {
        x=find(a[i].u);
        y=find(a[i].v);
        if(x!=y)
        {
            //printf("(%d,%d)",a[i].u,a[i].v);
            sumw+=a[i].w;
            p[x]=y;
            tmp.w=a[i].w;
            tmp.k=a[i].v;  g[a[i].u].push_back(tmp);
            tmp.k=a[i].u;  g[a[i].v].push_back(tmp);
            //因为是无向边
        }
        else
            b[++mm]=a[i];
    }
    //printf("\n");
    //printf("MST的总权值为%d\n",sumw);
    //printf("所有的非安全边 %d\n",mm);
    //for(i=1; i<=mm; i++) printf("%d %d %d\n",b[i].u,b[i].v,b[i].w);
    return ;
}
int dfs(int W , int u , int v)
{
    int i,kk,tmp;
    vis[u]=1;
    if(u==v) return 1;
    for(i=0; i<g[u].size(); i++)
    {
        if( !vis[g[u][i].k] && (tmp=dfs(W,g[u][i].k,v)) ) 
        {
            if(FIND)   return 1;
            if(W==g[u][i].w) 
            { 
                FIND=1;
            //printf("找到的边为(%d,%d)%d\n",u,kk,g[u][i].w); 
            }
            return 1;
        }
        
    }

    return 0;
}
void solve()
{
    int i,j,kk,u,v,tmp,W;
    for(i=1; i<=mm; i++)  //枚举所有的非安全边
    {
        memset(vis,0,sizeof(vis));
        u=b[i].u; v=b[i].v; W=b[i].w; 
        vis[u]=1; FIND=0;
        tmp=dfs(W,u,v);
        if(FIND)   break;
        //添加非安全边b[i],从该边的u点开始dfs知道找到v点为止
        //找到v点后返回, 返回时即环的路径,然后这一查看这些环的线段中是否有权等于W
        //dfs有3个参数,非安全边的权值W,要找的目标顶点v,和当前顶点u
    }
    if(i>mm)  //找完了整个非安全边数组都不能证明MST不唯一,那说明MST是唯一的
        printf("%d\n",sumw);
    else 
        printf("Not Unique!\n");
}

void printff()
{
    int i,j,kk,w;
    printf("打印所有邻接表,注意这个邻接表是MST内的连通情况\n");
    for(i=1; i<=n; i++)
    {
        printf("%d: ",i);
        for(j=0; j<g[i].size(); j++)
            printf("%d(%d) ",g[i][j].k,g[i][j].w);
        printf("\n");
    }
}
int main()
{
    int CASE;
    scanf("%d",&CASE);
    while(CASE--)
    {
        input();
        kruskal();  //先单独构建出MST
        //printff();
        solve();
    }
    return 0;
}

 

深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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。
深度学习是机学习的一个子领域,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,一个生成和一个判别,它们相互竞争,生成生成数据,判别评估数据的真实性。 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