G. Remove Directed Edges

最新推荐文章于 2024-05-30 10:02:36 发布
最新推荐文章于 2024-05-30 10:02:36 发布
阅读量417 收藏 1
点赞数 1
分类专栏： Cross Fire 文章标签： 深度优先 图论 动态规划
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_46870692/article/details/124560040
版权

题目：G. Remove Directed Edges

考点：树形DP

题意：现在有一幅 n n n 个顶点， m m m 条边的有向无环图。每个顶点的入度为 i n v in_v inv​ 出度为 o u t v out_v outv​ ，要求从图中删除一些边，得到新的入度 i n v ′ in'_v inv′​ 和新的出度 o u t v ′ out

最低0.47元/天 解锁文章
跑路的菜
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Syntax-Directed Translation.pdf
08-28
Syntax-Directed Translation.pdf
CF：1674 G. Remove Directed Edges
Jay_fc的博客
05-03 407
题目链接 题意：给出有向无环图，删去若干条边，使得满足以下两个条件： （1）对于每一个结点，其出边比原来少，除非初始出边就为0； （2）对于每一个结点，其入边比原来少，除非初始入边就为0； 操作后，选择一个点集S，S中的任意两个元素u，v都满足：u能到v或者v能到u。 请得到最大的|S| 题解：由于是个有向无环图。所以S中的点一定是从u能到v，而v到不了u。 那么S集合一定是一条链上的所有点； 发现了这个问题后就好写了，可以发现用dp做。 状态表示：f[u]表示操作后以u为起点的最长链
div3 786 G. Remove Directed Edges
m0_62167326的博客
05-27 74
对于每一个点，都要减少它的入度和出度，除非其入度，出度本身为0，并保证剩下的有向图拥有最长路径 dp状态表示： 从i点出发，走过的最长路径 记忆化搜索，当满足out[u]>=2,in[v]>=2时状态转移，将u的状态更新为v的状态加一 > 注意所有状态初始化为0 > 注意记忆化搜索的优化 #include<iostream> #include<cstring> #include<algorithm> using namespace .
CF1674G. Remove Directed Edges dp
Strezia的博客
05-03 511
Problem G dag上的dp 题意 给你一个有向无环图，你需要删去其中的若干条边，使得 对于每个节点，它的入度比原来小，或原来即为0 对于每个节点，它的出度比原来小，或原来即为0 在删边之后的图中取出一个点集 SSS， 满足 SSS 中任意两点 u,vu,vu,v 或满足 uuu 可达 vvv 或满足 vvv 可达 uuu，问 SSS 中元素最多有多少个？ 思路 首先满足条件的点集 SSS ，一定是一条链。所以我们最终的 SSS 只需要保留一条链，其它的边都没有必要。 问题类似于在一个dag上找最
Codeforces Round #786 (Div. 3) G. Remove Directed Edges——树形dp+记忆化
qq_45769627的博客
05-03 379
思路参考 题目链接 思路 题目要求删除一些边，要让最后每个点的入度，出度都小于最开始的情况，或者等于0。 那么出度为1或者入度为1的边一定会被删掉，而且题目说明不存在重边和环，最后的结果一定是一条链。那么我们就树形dp，按照题目的约束去寻找最长的那一条链的长度即可。 dp[u]：dp[u] ：dp[u]： 以 uuu 开头的链的长度，uuu 的出度大于1，才可更新dp[u]dp[u]dp[u]，uuu 的入度大于1才可向父亲转移，不然必定会被删掉。 注意记忆化，dp[u]dp[u]dp[u] 被更新过后就
Remove Directed Edges （DAG-dp）
qq_62539009的博客
05-13 108
Problem - G - Codeforces 删完之后肯定是一条链。那么进行一个链上dp就行了。因为每个点都要删边，所以入度出度不符合的不能算上。 /*keep on going and never give up*/ #include<bits/stdc++.h> using namespace std; #define int long long #define ll long long #define db(x) cerr<<(#x)<<" "<&l
com.directededge.jar
03-03
jar包，官方版本，自测可用
EESAA.zip_EESAA_directed diffusion_matlab_zip
07-14
matlab code for leach
demo-dfs-directed.rar_DEMO
09-22
Toan roi rac: Thuat taon DFS
pegasis.rar_code_directed diffusion_matlab pegasis_pegasis matl
07-14
this is a pegasis related code.
岛屿个数（dfs)
初九·潜龙勿用的博客
04-07 5090
小蓝得到了一副大小为M×N的格子地图，可以将其视作一个只包含字符0（代表海水）和1（代表陆地）的二维数组，地图之外可以视作全部是海水，每个岛屿由在上/下/左/右四个方向上相邻的1相连接而形成。x0​y0​x1​y1​...xk−1​yk−1​，其中 (x,y) 是由xi​yi​通过上/下/左/右移动一次得来的 (0≤i≤k−1)，此时这 k 个格子就构成了一个 “环”。
P2341 受欢迎的牛
STY_fish_2012的博客
05-29 667
这种关系是具有传递性的，如果 A 认为 B 受欢迎，B 认为 C 受欢迎，那么牛 A 也认为牛 C 受欢迎。接下来 M 行，每行两个数 A，B，意思是 A 认为 B 是受欢迎的（给出的信息有可能重复，即有可能出现多个 A，B）。此时,点4的出度也为零,但是,这张图没有最受欢迎的牛,因为条件是除自己以外,所有人都认为它受欢迎才行,所以,在。结论:有环时,先把每一个环合并成一个点,在按照没有环的方案去找,最后最受欢迎的就是那个点合并前的所有点。输出被除自己之外的所有牛认为是受欢迎的牛的数量。
【算法模板】图论：最近公共祖先(LCA)
2303_80346267的博客
05-29 706
最近公共祖先（Lowest Common Ancestor，简称LCA）问题通常出现在树或图的结构中，特别是在计算机科学和算法领域。这个问题的核心是找到两个节点在树中的共同祖先，且这个祖先的深度（或者说高度）是最小的。
图论（四）—最短路问题（Dijkstra）
Zhang_Qin123的博客
05-27 1280
概念：从某个点 A 到另一个点B的最短距离（或路径）。从点 A 到 B 可能有多条路线，多种距离，求其中最短的距离和相应路径。
图论（五）-最短路
Zhang_Qin123的博客
05-28 1066
（n为节点个数，m为边总数）与前面所述的dijkstra算法不同，Bellman-Ford 算法，同时可以判断是否存在负权回路。算法描述：①初始化：将除起始点 s 以外的 dis 数组设置为 无穷大， dis[ s ] = 0②迭代：遍历图中的每条边，对边的两个顶点分别进行松弛操作，一共遍历 n 次 m条边，直到没有节点能够松弛③判断负环：Bellman-Ford算法迭代后，再迭代一次，若最短路距离发生改变，则存在负环。Bellman-Ford算法，
2024.5.29晚训参考代码
weixin_45948940的博客
05-30 590
注意数据类型 long long。物品只拿一次，01背包。
Last Loaded 8只数码管滚动显示数字串.DBK
最新发布
06-03
Last Loaded 8只数码管滚动显示数字串.DBK
yolo开发ention-model-for-networ笔记
06-03
yolo开发ention-model-for-networ笔记yolo开发ention-model-for-networ笔记
import pandas as pd import numpy as np import networkx as nx import matplotlib.pyplot as plt # 读取Excel文件中的邻接矩阵 adjacency_matrix = pd.read_excel('output.xlsx', index_col=0) # 将邻接矩阵转换为numpy数组 adjacency_matrix = adjacency_matrix.to_numpy() # 创建有向图对象 G = nx.DiGraph(adjacency_matrix) def preprocess(G): p = 0 directedGraph = nx.DiGraph() for u in G.nodes(): for v in G.neighbors(u): if (v != u): propProb = G.number_of_edges(u, v) / G.degree(v) directedGraph.add_edge(u, v, pp=propProb) return directedGraph def simulate(G, seedNode, propProbability): newActive = True currentActiveNodes = seedNode.copy() newActiveNodes = set() activatedNodes = seedNode.copy() influenceSpread = len(seedNode) while newActive: for node in currentActiveNodes: for neighbor in G.neighbors(node): if neighbor not in activatedNodes: if G[node][neighbor]['pp'] > propProbability: newActiveNodes.add(neighbor) activatedNodes.append(neighbor) influenceSpread += len(newActiveNodes) if newActiveNodes: currentActiveNodes = list(newActiveNodes) newActiveNodes = set() else: newActive = False return influenceSpread def flipCoin(probability): return np.random.random() < probability # 可视化传播过程 def visualizePropagation(G, seedNode, propProbability): pos = nx.spring_layout(G) # 选择布局算法 labels = {node: node for node in G.nodes()} # 节点标签为节点名 colors = ['r' if node in seedNode else 'b' for node in G.nodes()] # 种子节点为红色，其他节点为蓝色 plt.figure(figsize=(10,6)) nx.draw_networkx_nodes(G, pos, node_color=colors) nx.draw_networkx_edges(G, pos) nx.draw_networkx_labels(G, pos, labels) plt.title('Propagation Visualization') plt.show() # 示例用法 seedNode = [7,36,17] propProbability = 0.7 directedGraph = preprocess(G) influenceSpread = simulate(directedGraph, seedNode, propProbability) print("Influence Spread:", influenceSpread) visualizePropagation(directedGraph, seedNode, propProbability)修改这个代码使得输出图形节点之间间隔合理能够看清
07-16
nx.draw_networkx_edges(G, pos) nx.draw_networkx_labels(G, pos, labels) plt.title('Propagation Visualization') plt.show() # 示例用法 seedNode = [7,36,17] propProbability = 0.7 directedGraph = ...

“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