【算法训练营】 - ⑩ 并查集与图

最新推荐文章于 2023-11-29 23:00:06 发布
最新推荐文章于 2023-11-29 23:00:06 发布
阅读量215 收藏
点赞数
分类专栏： 算法训练营 文章标签： 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42274953/article/details/126184983
版权

【算法训练营】 - ⑩ 并查集与图

并查集

  • 有若干个样本a、b、c、d…类型假设是V。
  • 在并查集中一开始认为每个样本都在单独的集合里。
  • 用户可以在任何时候调用如下两个方法：
    1. boolean isSameSet(V x, V y) : 查询样本x和样本y是否属于一个集合。
    2. void union(V x, V y) : 把x和y各自所在集合的所有样本合并成一个。
  • isSameSet和union方法的代价越低越好。（时间复杂度O(1)）。

并查集特征

1）每个节点都有一条往上指的指针。
2）节点a往上找到的头节点，叫做a所在集合的代表节点。
3）查询x和y是否属于同一个集合，就是看看找到的代表节点是不是一个。
4）把x和y各自所在集合的所有点合并成一个集合，只需要小集合的代表点挂在大集合的代表点的下方即可。

并查集的优化

1）节点往上找代表点的过程，把沿途的链变成扁平的。
2）小集合挂在大集合的下面。
3）如果方法调用很频繁，那么单次调用的代价为O(1)，两个方法都如此。

/**
 * 并查集
 * 提供两个方法：
 * 1、查询两个元素是否在同一个集合中  isSameSet
 * 2、把两个元素所在的集合合并成一个  union
 *
 * 假定用户一次直接给出所有集合
 */
public class UnionSearch<V> {
    // 节点位置表
    Map<V,Node> nodes;
    // 查找当前节点对应的父节点表
    Map<Node,Node> parents;
    // 作为代表元素表 k代表元素 v 集合中有几个元素
    Map<Node,Integer> size;
    public UnionSearch(List<V> list){
        nodes = new HashMap<>();
        parents = new HashMap<>();
        size = new HashMap<>();
        for(V v : list){
            // 出事时每个元素单独作为一个结合
            Node node = new Node(v);
            nodes.put(v,node);
            parents.put(node,node);
            size.put(node,1);
        }
    }


    public  boolean isSameSet(V v1,V v2){
        if(!nodes.containsKey(v1)
                || !nodes.containsKey(v2)){
            return false;
        }
        Node node1 = findFather(v1);
        Node node2 = findFather(v2);
        if(node1 == node2){
            return true;
        }

        return false;
    }


    public void union(V v1,V v2){
        if(!nodes.containsKey(v1)
                || !nodes.containsKey(v2)){
            return;
        }
        Node node1 = findFather(v1);
        Node node2 = findFather(v2);
        // 两个元素不在一个集合中才合并
        if(node1 != node2){
           // 看谁的元素多
            Node big = size.get(node1) > size.get(node2) ? node1 : node2;
            Node small = size.get(node1) <= size.get(node2) ? node1 : node2;
            // 小的挂在大的上面
            parents.put(small,big);
            size.put(big,size.get(big) + size.get(small));
            size.remove(small);
        }

    }

    // 调用此方法是一定保证集合中有此元素
    private Node findFather(V node){
        // 做一个扁平化优化,把从当前节点网上找的节点都加入容器中
        Stack<Node> stack = new Stack<>();
        Node cur = nodes.get(node);
        while (parents.get(cur) != cur){
            // 路径上经过的节点加入容器
            stack.push(cur);
            // 只要此时节点不等于父节点，说明不是代表节点就一直往上找
            cur = parents.get(cur);
        }

        // 把所有经过节点直接和代表节点相连，下次查找是O（1）
        while (!stack.isEmpty()){
            parents.put(stack.pop(),cur);
        }
        //跳出来说明已经找到了
        return cur;
    }

    public static void main(String[] args) {
        List<String> list = new ArrayList();

        list.add("a");
        list.add("b");
        list.add("c");
        list.add("d");
        list.add("e");
        list.add("f");
        list.add("g");
        UnionSearch<String> unionSearch = new UnionSearch<>(list);
        unionSearch.union("a","b");
        unionSearch.union("c","b");
        System.out.println(unionSearch.isSameSet("a", "g"));

    }
}

图

  1. 由点的集合和边的集合构成。
  2. 虽然存在有向图和无向图的概念，但实际上都可以用有向图来表达。
  3. 边上可能带有权值。

图结构的表达

  1. 邻接表法
  2. 邻接矩阵法
  3. 除此之外还有其他众多的方式

图的面试题如何搞定？

图的算法都不算难，只不过coding的代价比较高

  1. 先用自己最熟练的方式，实现图结构的表达
  2. 在自己熟悉的结构上，实现所有常用的图算法作为模板
  3. 把面试题提供的图结构转化为自己熟悉的图结构，再调用模板或改写即可

图的数据结构

点

// 点
public class Node {
    // 结点值
    public int value;
    // 入度
    public int in;
    // 出度
    public int out;
    // 邻居
    List<Node> nexts;
    // 存一份边
    List<Edge> edges;

    public Node(int value){
        this.value = value;
        // 新结点入度为0
        this.in = 0;
        // 新结点出度为0
        this.out = 0;
        // 新结点邻居为空
        this.nexts = new ArrayList<>();
        this.edges = new ArrayList<>();
    }
}

边

// 边
public class Edge {
    // 权重
    public int weight;
    // 起点边
    public Node from;
    // 终点边
    public Node to;
    public Edge(Node from,Node to,int weight){
        this.from = from;
        this.to = to;
        this.weight = weight;
    }
}

图

// 图
public class Graph {
    // 点的集合
    HashMap<Integer,Node> nodes;
    // 边的集合
    HashSet<Edge> edges;
    public Graph(){
        this.nodes = new HashMap<>();
        this.edges = new HashSet<>();
    }
}

生成图

public class GraphGenerator {
    // matrix 所有的边
    // N*3 的矩阵
    // [weight, from节点上面的值，to节点上面的值]
    public static Graph graphGenerator(Integer[][] matrix){
        Graph graph = new Graph();
        for (int i = 0;i < matrix.length;i++){
            // 每一行代表一个点
            // 权重
            int weight = matrix[i][0];
            // 起始点
            int from = matrix[i][1];
            // 终点
            int to = matrix[i][2];
            // 如果没有起始点就新建
            if(graph.nodes.containsKey(from)){
                graph.nodes.put(from,new Node(from));
            }
            if(graph.nodes.containsKey(to)){
                graph.nodes.put(to,new Node(to));
            }

            // 取出点构建图
            Node fromNode = graph.nodes.get(from);
            Node toNode = graph.nodes.get(to);
            // 构建边
            Edge edge = new Edge(fromNode,toNode,weight);
            // fromNode 几点出度加一，邻居加一
            fromNode.out ++;
            fromNode.nexts.add(toNode);
            fromNode.edges.add(edge);
            // toNode入度加一
            toNode.in ++;
            // 图中边集加一
            graph.edges.add(edge);
        }
        return graph;
    }
}

图算法

广度优先遍历

  1. 利用队列实现
  2. 从源节点开始依次按照宽度进队列，然后弹出
  3. 每弹出一个点，把该节点所有没有进过队列的邻接点放入队列
  4. 直到队列变空

注意要点，不能重复遍历，遍历过的点应该排除。

package class16;

import java.util.HashSet;
import java.util.LinkedList;
import java.util.Queue;

public class Code01_BFS {

	// 从node出发，进行宽度优先遍历
	public static void bfs(Node start) {
		if (start == null) {
			return;
		}
		Queue<Node> queue = new LinkedList<>();
		HashSet<Node> set = new HashSet<>();
		queue.add(start);
		set.add(start);
		while (!queue.isEmpty()) {
			Node cur = queue.poll();
			System.out.println(cur.value);
			for (Node next : cur.nexts) {
				if (!set.contains(next)) {
					set.add(next);
					queue.add(next);
				}
			}
		}
	}

}

深度优先遍历

  1. 利用栈实现
  2. 从源节点开始把节点按照深度放入栈，然后弹出
  3. 每弹出一个点，把该节点下一个没有进过栈的邻接点放入栈
  4. 直到栈变空
package class16;

import java.util.HashSet;
import java.util.Stack;

public class Code02_DFS {

	public static void dfs(Node node) {
		if (node == null) {
			return;
		}
		Stack<Node> stack = new Stack<>();
		HashSet<Node> set = new HashSet<>();
		stack.add(node);
		set.add(node);
		System.out.println(node.value);
		while (!stack.isEmpty()) {
			Node cur = stack.pop();
			for (Node next : cur.nexts) {
				if (!set.contains(next)) {
					stack.push(cur);
					stack.push(next);
					set.add(next);
					System.out.println(next.value);
					break;
				}
			}
		}
	}
}

图的拓扑排序算法

  1. 在图中找到所有入度为0的点输出
  2. 把所有入度为0的点在图中删掉，继续找入度为0的点输出，周而复始
  3. 图的所有点都被删除后，依次输出的顺序就是拓扑排序

要求：有向图且其中没有环
应用：事件安排、编译顺序

package class16;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.LinkedList;
import java.util.List;
import java.util.Queue;

public class Code03_TopologySort {

	// directed graph and no loop
	public static List<Node> sortedTopology(Graph graph) {
		// key 某个节点   value 剩余的入度
		HashMap<Node, Integer> inMap = new HashMap<>();
		// 只有剩余入度为0的点，才进入这个队列
		Queue<Node> zeroInQueue = new LinkedList<>();
		for (Node node : graph.nodes.values()) {
			inMap.put(node, node.in);
			if (node.in == 0) {
				zeroInQueue.add(node);
			}
		}
		List<Node> result = new ArrayList<>();
		while (!zeroInQueue.isEmpty()) {
			Node cur = zeroInQueue.poll();
			result.add(cur);
			for (Node next : cur.nexts) {
				inMap.put(next, inMap.get(next) - 1);
				if (inMap.get(next) == 0) {
					zeroInQueue.add(next);
				}
			}
		}
		return result;
	}
}

最小生成树K算法

/**
 * 最小生成树算法之Kruskal
 * 1）总是从权值最小的边开始考虑，依次考察权值依次变大的边(优先级队列)
 * 2）当前的边要么进入最小生成树的集合，要么丢弃
 * 3）如果当前的边进入最小生成树的集合中不会形成环，就要当前边
 * 4）如果当前的边进入最小生成树的集合中会形成环，就不要当前边
 * 5）考察完所有边之后，最小生成树的集合也得到了
 */
public class Kruskal {
    public static Set<Edge> kruskal(Graph graph){
        if(graph == null){
            return null;
        }
        Set<Edge> res = new HashSet<>();
        // 先把所有点都加入并查集
        List<Node> nodeList = (List<Node>)graph.nodes.values();
        UnionSearch<Node> unionSearch = new UnionSearch<>(nodeList);
        // 获取所有边
        PriorityQueue<Edge> queue = new PriorityQueue<>(new MyComparator());
        for(Edge item : graph.edges){
            queue.offer(item);
        }
        while (!queue.isEmpty()){
            Edge cur = queue.poll();
            Node from = cur.from;
            Node to = cur.to;
            if(!unionSearch.isSameSet(from,to)){
               res.add(cur);
                // 加入并查集
                unionSearch.union(from,to);
            }
        }
        
        return res;

    }
    
    private void makeUnion(List<Node> list,UnionSearch<Node> unionSearch){
        for(Node item : list){
            
        }
    }

    static class MyComparator implements Comparator<Edge>{

        @Override
        public int compare(Edge o1, Edge o2) {
            return o1.weight - o2.weight;
        }
    }


     static class UnionSearch<V> {
        // 节点位置表
        Map<V,Node2> nodes;
        // 查找当前节点对应的父节点表
        Map<Node2,Node2> parents;
        // 作为代表元素表 k代表元素 v 集合中有几个元素
        Map<Node2,Integer> size;
        public UnionSearch(List<V> list){
            nodes = new HashMap<>();
            parents = new HashMap<>();
            size = new HashMap<>();
            for(V v : list){
                // 出事时每个元素单独作为一个结合
                Node2 node = new Node2(v);
                nodes.put(v,node);
                parents.put(node,node);
                size.put(node,1);
            }
        }


        public  boolean isSameSet(V v1,V v2){
            if(!nodes.containsKey(v1)
                    || !nodes.containsKey(v2)){
                return false;
            }
            Node2 node1 = findFather(v1);
            Node2 node2 = findFather(v2);
            if(node1 == node2){
                return true;
            }

            return false;
        }


        public void union(V v1,V v2){
            if(!nodes.containsKey(v1)
                    || !nodes.containsKey(v2)){
                return;
            }
            Node2 node1 = findFather(v1);
            Node2 node2 = findFather(v2);
            // 两个元素不在一个集合中才合并
            if(node1 != node2){
                // 看谁的元素多
                Node2 big = size.get(node1) > size.get(node2) ? node1 : node2;
                Node2 small = size.get(node1) <= size.get(node2) ? node1 : node2;
                // 小的挂在大的上面
                parents.put(small,big);
                size.put(big,size.get(big) + size.get(small));
                size.remove(small);
            }

        }

        // 调用此方法是一定保证集合中有此元素
        private Node2 findFather(V node){
            // 做一个扁平化优化,把从当前节点网上找的节点都加入容器中
            Stack<Node2> stack = new Stack<>();
            Node2 cur = nodes.get(node);
            while (parents.get(cur) != cur){
                // 路径上经过的节点加入容器
                stack.push(cur);
                // 只要此时节点不等于父节点，说明不是代表节点就一直往上找
                cur = parents.get(cur);
            }

            // 把所有经过节点直接和代表节点相连，下次查找是O（1）
            while (!stack.isEmpty()){
                parents.put(stack.pop(),cur);
            }
            //跳出来说明已经找到了
            return cur;
        }
    }
}

最小生成树p算法

/**
 * 最小生成树，p算法
 * 1）可以从任意节点出发来寻找最小生成树
 * 2）某个点加入到被选取的点中后，解锁这个点出发的所有新的边
 * 3）在所有解锁的边中选最小的边，然后看看这个边会不会形成环
 * 4）如果会，不要当前边，继续考察剩下解锁的边中最小的边，重复3）
 * 5）如果不会，要当前边，将该边的指向点加入到被选取的点中，重复2）
 * 6）当所有点都被选取，最小生成树就得到了
 */
public class Prim {
    public static Set<Edge> prim(Graph graph){
        if(graph == null){
            return null;
        }
        // 生成优先级队列
        PriorityQueue<Edge> queue = new PriorityQueue<>(new MyComparator());
        Set<Edge> edgeSet = new HashSet<>();
        Set<Node> nodeSet = new HashSet<>();
        Set<Edge> res = new HashSet<>();
        List<Node> nodeList = (List<Node>)graph.nodes.values();
        for(Node node : nodeList){ // 防止森林，如果明确没有森林可不要此循环。
            if(!nodeSet.contains(node)){
                // 解锁点的所有边
                nodeSet.add(node);
                for(Edge temp : node.edges){
                    if(!edgeSet.contains(temp)){
                        queue.offer(temp);
                        edgeSet.add(temp);
                    }
                }
                while (!queue.isEmpty()){
                    // 权重最小的边
                    Edge cur = queue.poll();
                    // 此时from节点已经在nodeSet结合中解锁出来了，只需判断to节点是否解锁了
                    if(!nodeSet.contains(cur.to)){
                        // 要这条边
                        res.add(cur);
                        // 加入点的集合
                        nodeSet.add(cur.to);
                        // 解锁cur.to的所有边
                        for (Edge e : cur.to.edges){
                            if(!edgeSet.contains(e)){
                                queue.offer(e);
                                edgeSet.add(e);
                            }
                        }
                    }
                }
            }
        }
        return res;
    }
   static class MyComparator implements Comparator<Edge>{
       @Override
       public int compare(Edge o1, Edge o2) {
           return o1.weight - o2.weight;
       }
   }
}

Dijkstra算法

  1. Dijkstra算法必须指定一个源点
  2. 生成一个源点到各个点的最小距离表，一开始只有一条记录，即原点到自己的最小距离为0，源点到其他所有点的最小距离都为正无穷大
  3. 从距离表中拿出没拿过记录里的最小记录，通过这个点发出的边，更新源点到各个点的最小距离表，不断重复这一步
  4. 源点到所有的点记录如果都被拿过一遍，过程停止，最小距离表得到了
  • 优化点：在distanceMap中查找起点到其他点的最短距离是用遍历的方式时间复杂度是O(N),如果用小根堆，可以让时间复杂度降到O(logn)，但是因为会更新加入到小根堆中的距离数据，一般的小根堆不能自动调整，所以要自己手动改写小根堆。
/**
 * 1）Dijkstra算法必须指定一个源点
 * 2）生成一个源点到各个点的最小距离表，一开始只有一条记录，即原点到自己的最小距离为0，源点到其他所有点的最小距离都为正无穷大
 * 3）从距离表中拿出没拿过记录里的最小记录，通过这个点发出的边，更新源点到各个点的最小距离表，不断重复这一步
 * 4）源点到所有的点记录如果都被拿过一遍，过程停止，最小距离表得到了
 */
public class Dijkstra {
    
    public static Map<Node2,Integer> dijkstra1(Node2 node){
        if(node == null){
            return null;
        }
        // 距离表,一开始只有出发点到出发点的距离为0
        Map<Node2,Integer> distanceMap = new HashMap<>();
        distanceMap.put(node,0);
        // 去重黑名单，每次选举最小记录时排除此表中的数据
        Set<Node2> noSelect = new HashSet<>();
        // 获取最小记录点（出发点到某一点的最短距离）
        Node2 minDistance = getMinAndNoSelect(distanceMap,noSelect);
        while (minDistance != null){ // 把表中数据都遍历完
            for (Edge temp : minDistance.edges){
                // 这个点往能出去的所有边能不能更新表中的距离
                Node2 to = temp.to;
                if(!distanceMap.containsKey(to)){
                    // 如果表中不包含这个点，说明还没找到过重from点到这个距离，直接加入表中
                    distanceMap.put(to,distanceMap.get(minDistance) + temp.weight);
                }else{
                    distanceMap.put(to,Math.min(distanceMap.get(to),distanceMap.get(minDistance) + temp.weight));
                }
            }
            minDistance = getMinAndNoSelect(distanceMap,noSelect);
            
        }
        
        return distanceMap;
    }
    
    
    private static Node2 getMinAndNoSelect(Map<Node2,Integer> distanceMap,Set<Node2> noSelcet){
        // 由于Dijkstra算法中边都是非负的用0就可以了
        int min = 0;
        Node2 res = null;
        // 遍历距离表
        for (Map.Entry<Node2, Integer> item : distanceMap.entrySet()){
            Node2 key = item.getKey();
            if(noSelcet.contains(key)){
                continue;
            }
            // 比较大小
            if(item.getValue() < min){
                min = item.getValue();
                res = item.getKey();
            }
        }
        noSelcet.add(res);
        return res;
    }

}
VeteranDog
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据结构：并查集和图
zjx624bjh的博客
05-24 1009
并查集 并查集是一种树型的数据结构，用于处理一些不相交集合的合并及查询问题。 常涉及两个基本操作 （1）合并两个不相交的集合 （2）判断两个元素是否属于同一个集合。 将N个不同元素分成一组不想交的集合。开始时，每个元素就是一个集合，然后按照规律将两个集合进行合并。 通过上述分析不难发现： 确定一共有几个集合？ 观察有几个下标的值小于0，就有几个集合。 判断两个数据...
图的遍历：BFS和DFS
乌拉拉乌拉乌拉累
11-29 178
BFS和DFS宽度优先遍历 （BFS）广度优先遍历 （DFS） 宽度优先遍历 （BFS） 1，利用队列实现 2，从源节点开始依次按照宽度进队列，然后弹出 3，每弹出一个点，把该节点所有没有进过队列的邻接点放入队列 4，直到队列变空 public static void bfs(Node node) { if (node == null) { return; } Queue<...
数据结构 练习 22-并查集以及图的最小生成树
07-12 833
图作为一种复杂的数据结构，前面 简单学习了图的遍历，接下来简单介绍最小生成树。 相关概念：   连通图：  对于无向图，任何两个顶点，他们之间都存在一条路径，则该无向图为连通图；   强连通图：对于有向图，图中任意两个顶点之间都存在一条有向路径，则该有向图为强连通图；    连通分量：非连通图中的各个连通子图成为该图的连通分量。
并查集-Disjoint Set 和 图-Graph
11-02 294
待编辑
数据结构（八）：并查集详解 （多图+动图）
热门推荐
ReadyGo!!!的博客
07-03 1万+
数据结构（八）：并查集详解 （多图+动图）
Pre-算法训练营-新百年1
08-04
② 比较系统的数理基础（离散数学、代 ① 思维方式（严谨、套路==>计算思维 ② (实际)套路（知识点+解题方法，方法论[设计的套路，减治、分 ③ 综合运用能
Java实现 蓝桥杯VIP 算法训练 连通分块（并查集）
12-21
在算法领域，"连通分块"和"并查集"是经常被提及的数据结构与算法问题，尤其在像蓝桥杯这样的编程竞赛中更是常见。本文将详细讲解如何使用Java来实现连通分块的问题，并重点介绍并查集这一高效解决此类问题的工具。 ...
算法设计与分析：并查集法求图论桥问题
最新发布
06-21
算法设计与分析：并查集法求图论桥问题 基准法和使用并查集的高效算法（不使用Tarjan算法）
算法训练营题目合集-已转档.pdf
02-29
清华大学计算机系邓俊辉教授的算法训练营题目合集及答案，本人是满分毕业。个人认为对于CSP和PAT的编程考试来说有很大的借鉴意义，是很好的CSP和PAT参考资料
算法竞赛专题解析--并查集1
08-04
① 参考本书第 10 章“10.10.2 kruskal 算法”。图 1 并查集的初始化（2）合并，例如加入第一个朋友关系(1, 2)。在并查集 s 中，把结点
算法[5] 并查集、图
尔等同学的博客
10-23 1163
目录并查集、图并查集岛屿问题切分矩阵，并行图图：点：边：图生成器：广（宽）度优先遍历深度优先遍历拓扑排序算法最小生成树以及相关算法kruskal算法（K算法） 适用范围：要求无向图迪杰斯特拉算法 并查集、图 并查集 有若干个样本a、b、C、d类型假设是V 2)在并查集中一开始认为每个样本都在单独的集合里 3)用户可以在任何时候调用如下两个方法: boolean isSameSet(Vx, V y):查询样本x和样本y是否属于一个集合 void union(V x, V y):把x和y各自所在集合的所有样本
并查集入门 | 图解
qq_44888652的博客
10-13 562
并查集入门 简介 并查集(Disjoint Set)是多个树状结构的集，一个数组内一般有多个树，每个树都是不相交的，它可处理一些不相交的问题。 举例，假设A同学和B同学是朋友，C同学和D同学也是朋友，现在B同学和C同学也是朋友啦，那么通过B同学和C同学的介绍，A、B、C、D四位同学都是朋友了。现在A、B、C、D就是一个集合啦，而并查集的作用就是将A、B与C、D两个集合的合并。 原理 定义一个数组： int s[N] //存放集 开始时，每个元素都是一个独立的集，则分别初始化成i,如下图所示：
数据结构 -- 并查集与图
竹杖芒鞋轻声马
11-29 1358
并查集和图的基本结构实现
【高阶数据结构】并查集和图
m0_72964546的博客
10-26 443
图的概念和简单实现，图的DFS和BFS，图的最小生成树（Kruskal、Prim）和最短路径（Dijkstra、Bellman-ford、Floyd-Warshall）
生成图和图的宽度优先遍历和深度优先遍历
m0_37930105的博客
11-20 1538
一个图有边和结点，边包含权重、入结点和出结点，结点包含值、入度、出度、next结点集、和边的集合。可以用以下代码表示： public class Edge { public int weight; public Node from; public Node to; public Edge(int weight, Node from, Node to) { this.weight...
图的基本概念以及遍历
weixin_43868322的博客
04-07 96
定义 // 节点 public class Node { public int val; public int in; // 入度 public int out; // 出度 public ArrayList<Node> nexts; // 邻接节点 public ArrayList<Edge> edges; // 邻接边 public Node(int val) { this.val = val;.
并查集详解
lianxiangbus
07-29 1万+
并查集是我暑假从高手那里学到的一招，觉得真是太精妙的设计了。以前我无法解决的一类问题竟然可以用如此简单高效的方法搞定。不分享出来真是对不起party了。（party：我靠，关我嘛事啊？我跟你很熟么？） 来看一个实例，杭电1232畅通工程 http://acm.hdu.edu.cn/showproblem.php?pid=1232 首先在地图上给你若干个城镇，这些城镇都可以看作点，然后告诉你...
南华大学第十五届ACM程序设计竞赛(重现赛）—复读机（并查集）
smilng的博客
04-20 516
链接：https://ac.nowcoder.com/acm/contest/699/B 题目描述 在某华大学里有一个无聊的群组，群内的所有成员都是复读机，他们疯狂复读着别人的消息。然而复读机们在群内也是有阵营的，一个阵营的复读机会根据心情选择是否复读同一个阵营的成员的消息，但绝对不会去复读其他阵营的消息。 群内有n个人（标号1-n号）。现在群内聊天记录中一共有m条消息。请根据这些消息，判断出如果...
并查集判断图的连通
dongmodao的博客
04-28 2455
判断图的连通性判断方法比较多，最常见的就是并查集、DFS、BFS 这几种，网上的代码也很多，文章最后也给出了一些参考，这里主要讲一讲并查集。 因为有判断有向图中是否存在欧拉路径的需求，需要先判断有向图的基图是否连通，于是就找了一些算法，有了这篇文章，文章偏向于个人的理解与想法，深入了解可以点解参考。 并查集由一个记录节点的根节点的数组（或者类似容器，字典）和两个函数（find, join）构成...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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