危险系数

/*
问题描述
抗日战争时期,冀中平原的地道战曾发挥重要作用。
地道的多个站点间有通道连接,形成了庞大的网络。但也有隐患,当敌人发现了某个站点后,其它站点间可能因此会失去联系。
我们来定义一个危险系数DF(x,y):
对于两个站点x和y (x != y), 如果能找到一个站点z,当z被敌人破坏后,x和y不连通,那么我们称z为关于x,y的关键点。相应的,对于任意一对站点x和y,危险系数DF(x,y)就表示为这两点之间的关键点个数。
本题的任务是:已知网络结构,求两站点之间的危险系数。
输入格式
输入数据第一行包含2个整数n(2 <= n <= 1000), m(0 <= m <= 2000),分别代表站点数,通道数;
接下来m行,每行两个整数 u,v (1 <= u, v <= n; u != v)代表一条通道;
最后1行,两个数u,v,代表询问两点之间的危险系数DF(u, v)。
输出格式
一个整数,如果询问的两点不连通则输出-1.
样例输入
7 6
1 3
2 3
3 4
3 5
4 5
5 6
1 6
样例输出
2
*/

#include <stdio.h>
#include <stdlib.h>
#define MAX (1000)
void init(int,int[]);
void input(int,int[][2]);
int slove(int,int);
int find(int,int[]);
int main(void) 
{
	int hole,n;
	scanf("%d%d",&hole,&n);
	printf("%d",slove(hole,n));
	return 0;
}
int find(int now,int fa[])
{
	if(fa[now] == now)
	{
		return now;
	}
	return fa[now] = find(fa[now],fa);
}
void init(int n,int f[])
{
	int i;
	for(i = 0;i < n;i++)
	{
		f[i] = i;
	}
}
void input(int n,int c[][2])
{
	int i;
	for(i = 0;i < n;i++)
	{
		scanf("%d%d",c[i],c[i]+1);
		c[i][0]--;
		c[i][1]--;
	}
}
int slove(int hole,int n)
{
	int fa[MAX] = {0},con[n][2];
	input(n,con);
	int s,e;
	scanf("%d%d",&s,&e);
	s--;
	e--;
	int i,ans = 0;
	for(i = 0;i < hole;i++)
	{
		if(i == s || i == e)
		{
			continue;
		}
		init(hole,fa);
		int j;
		for(j = 0;j < n;j++)
		{
			if(con[j][0] == i|| con[j][1] == i)
			{
				continue;
			}
			int a = find(con[j][0],fa),b = find(con[j][1],fa);
			if(a != b)
			{
				fa[b] = a;
			}
		}
		if(find(s,fa) != find(e,fa))
		{
			ans++;
		}
	}
	return ans;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,针对上述excel表格数据,您可以采用以下Python代码示例来使用机器学习方法准确地预测和评估每个类别的物体危险系数: ``` import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 读入数据集 data = pd.read_csv('data.csv') # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data[['深度信息', '物体尺寸大小']], data['危险系数等级'], test_size=0.2, random_state=42) # 训练线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 在测试集上进行预测 y_pred = model.predict(X_test) # 评估模型性能 mse = mean_squared_error(y_test, y_pred) print('均方误差:', mse) ``` 在上述代码中,我们使用Pandas库读入数据集,并使用train_test_split函数将数据集划分为训练集和测试集。然后,我们使用LinearRegression模型训练数据,并在测试集上进行预测。最后,我们使用mean_squared_error函数计算预测结果和实际结果之间的均方误差,并输出结果。 需要注意的是,在使用机器学习方法进行预测和评估之前,需要对数据进行预处理和特征工程,例如数据清洗、缺失值处理、特征选择等操作,以提高模型的性能和泛化能力。此外,还可以尝试使用其他机器学习算法,例如决策树、随机森林、神经网络等,以提高模型性能。
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