POJ_2513_Trie树+欧拉回路+并查集

本文深入探讨了POJ2513问题的求解策略,通过建立无向图模型,运用Trie树数据结构高效统计节点度数,优化时间复杂度,最终判断是否存在欧拉路径或欧拉回路。重点介绍了动态实现Trie树的迭代方法,以及静态实现的优缺点对比,并提供了两种实现方式的代码实现,详细阐述了解题过程和关键步骤。
[size=medium][color=cyan]链接:[url]http://poj.org/problem?id=2513[/url][/color][/size]

1.把木棒的端点考虑为顶点,木棒考虑为边,建立起一个无向图。

2.问题转化为在无向图上判断是否有欧拉回路或者欧拉道路。

3.在无向图上判断是否有欧拉回路或者欧拉道路:欧拉定理+并查集(判断连通性)

4.考虑如何统计每个顶点的度,开始用的是暴力解法,直接用数组记录顶点,并且通过顺序查找获得顶点编号,TLE,然后考虑用map(红黑树),每次以logn的时间复杂度完成顶点度的 更新,继续TLE,想到用HASH,不过没想到好的映射方式,最后搜解题报告,发现trie树这种玩意。

6.Trie树能以O(sizeof(key))的时间复杂度完成字符串的查找,所以每次更新顶点度的时间复杂度可以优化为O(1),这样应该不会超时。

7.Trick:在没有任何木条时,应该输出Possible.

8.静态实现Trie比动态实现Trie更快。

9.实现代码(动态+递归):
#include<iostream>
#include<cstdio>
#include<cstring>
using namespace std;
const int MAXN = 500001;
int p[MAXN],maxv=0,deg[MAXN];
void init()
{
for(int i=0;i<MAXN;i++)
p[i] = i,deg[i]=0;
}
int find(int x)
{
return x==p[x]?x:p[x]=find(p[x]);
}
void merge(int x,int y)
{
int r1 = find(x),r2 = find(y);
if(r1==r2)return;
p[r1] = r2;
}
bool Euler()
{
int cnt = 0;
for(int i=0;i<maxv;i++)
{
if(deg[i]&1) cnt++;
}
return cnt==0||cnt==2;
}
bool conn()
{
int cnt = 0;
for(int i=0;i<maxv;i++)
{
if(p[i]==i)cnt++;
}
if(cnt==1)return true;
else return false;
}
struct node
{
int id;
node* next[26];
node()
{
for(int i=0;i<26;i++)
next[i] = NULL;
id = -1;
}
};
struct trie
{
node *root;
int wordnum;
trie()
{
root = new node();
wordnum = 0;
}
~trie()
{
clear(root);
}
void clear(node *cur)
{
for(int i=0;i<26;i++)
{
if((*cur).next[i]!=NULL)
{
clear((*cur).next[i]);
delete (*cur).next[i];
(*cur).next[i]=NULL;
}
}
}
int find(char *key,int cur,node *curr,int len)
{
if(cur==len)
{
if(curr->id==-1)return -1;//没找到
return curr->id;
}
int site = key[cur]-'a';
if((*curr).next[site]==NULL)
{
return -1;
}//没找到
return find(key,cur+1,(*curr).next[site],len);
}
void insert(char *key,int cur,node *curr,int len)
{
if(cur==len)
{
curr->id = wordnum++;
return;
}
int site = key[cur]-'a';
if((*curr).next[site]==NULL)
{
(*curr).next[site] = new node();
}
insert(key,cur+1,(*curr).next[site],len);
}
};
int main()
{
int i=0;
char f[12],s[12];
trie tree;
init();
while(1)
{
for(i=0;~(f[i]=getchar())&&f[i]!=' ';i++);
if(f[i]==-1)break;
f[i] = 0;
for(i=0;(s[i]=getchar())!='\n';i++);
s[i] = 0;
int u,v;
u = tree.find(f,0,tree.root,strlen(f));
if(u==-1)
{
tree.insert(f,0,tree.root,strlen(f));
u = tree.wordnum-1;
deg[u] = 1;
}
else deg[u]++;
v = tree.find(s,0,tree.root,strlen(s));
if(v==-1)
{
tree.insert(s,0,tree.root,strlen(s));
v = tree.wordnum-1;
deg[v] = 1;
}
else deg[v]++;
merge(u,v);
}
maxv = tree.wordnum;
if(maxv==0){
printf("Possible\n");
return 0;
}
bool ok = Euler()&&conn();
if(ok) printf("Possible\n");
else printf("Impossible\n");
return 0;
}


10.静态实现+迭代,代码:
#include<iostream>
#include<cstring>
#include<cstdio>
using namespace std;
struct trie_node
{
int id;
int next[26];
trie_node()
{
for(int i=0;i<26;i++)next[i] = 0;
id = -1;
}
}trie[700000];
const int MAXN = 500002;
int p[MAXN],deg[MAXN],maxv=0,trieM=2;
void init()
{
for(int i=0;i<MAXN;i++)p[i]=i;
}
int find(int x)
{
return x==p[x]?x:p[x]=find(p[x]);
}
void merge(int x,int y)
{
int r1 = find(x),r2 = find(y);
if(r1==r2)return;
p[r1] = r2;
}
int insert(char *word)
{
int now;
int ptr = 1;
char *p = word;
while(*p)
{
now = *p-'a';
if(!trie[ptr].next[now])trie[ptr].next[now]=trieM++;
ptr = trie[ptr].next[now];
p++;
}
//如果没有该元素
if(trie[ptr].id==-1)
{
trie[ptr].id = maxv++;
}
return trie[ptr].id;
}
bool conn()
{
int cnt = 0;
for(int i=0;i<maxv;i++)
if(p[i]==i)cnt++;
return cnt==1;
}
bool euler()
{
int cnt = 0;
for(int i=0;i<maxv;i++)
{
if(deg[i]&1)cnt++;
}
return cnt==0||cnt==2;
}
int main()
{
char f[11],s[11];
init();
while(scanf("%s%*c%s%*c",f,s)!=EOF)
{
int u = insert(f);
int v = insert(s);
deg[u]++,deg[v]++;
merge(u,v);
}
if(maxv==0)puts("Possible");
else
{
bool ok = euler()&&conn();
if(ok) puts("Possible");
else puts("Impossible");
}
return 0;
}
内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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