【代码超详解】POJ 1182 食物链(并查集,250 ms)

POJ 1182 食物链:并查集解题策略与AC代码解析
博客详细分析了POJ 1182题目的食物链问题,利用并查集解决环形食物链中真假话的判断。内容包括题目描述、算法分析、AC代码实现,特别强调了并查集的压缩路径技巧和处理冲突的策略。

一、题目描述

食物链

Time Limit: 1000MS Memory Limit: 10000K
Total Submissions: 109981 Accepted: 33398

Description

动物王国中有三类动物A,B,C,这三类动物的食物链构成了有趣的环形。A吃B, B吃C,C吃A。
现有N个动物,以1-N编号。每个动物都是A,B,C中的一种,但是我们并不知道它到底是哪一种。
有人用两种说法对这N个动物所构成的食物链关系进行描述:
第一种说法是"1 X Y",表示X和Y是同类。
第二种说法是"2 X Y",表示X吃Y。
此人对N个动物,用上述两种说法,一句接一句地说出K句话,这K句话有的是真的,有的是假的。当一句话满足下列三条之一时,这句话就是假话,否则就是真话。
1) 当前的话与前面的某些真的话冲突,就是假话;
2) 当前的话中X或Y比N大,就是假话;
3) 当前的话表示X吃X,就是假话。
你的任务是根据给定的N(1 <= N <= 50,000)和K句话(0 <= K <= 100,000),输出假话的总数。

Input

第一行是两个整数N和K,以一个空格分隔。
以下K行每行是三个正整数 D,X,Y,两数之间用一个空格隔开,其中D表示说法的种类。
若D=1,则表示X和Y是同类。
若D=2,则表示X吃Y。

Output

只有一个整数,表示假话的数目。

Sample Input

100 7
1 101 1
2 1 2
2 2 3
2 3 3
1 1 3
2 3 1
1 5 5

Sample Output

3

Source

Noi 01

二、算法分析说明与代码编写指导

并查集的每个集合都具有一种或多种相同的特性。利用这个特点,可以将同种生物合并到一起,并按照捕食关系将被捕食者的根节点设为捕食者。
已知A吃B,B吃C,C吃A。若x与y为同种生物,x和y可能同为A或B或C物种。
若x吃y,x和y的物种分别可以是A和B、B和C、C和A。可见,这三种情况我们都需要考虑,所以我们设数组r,用到的长度为n的三倍,有效的下标从1开始。x、x+n、x+2n分别代表x属于物种A、x属于物种B、x属于物种C三种情况。每处理一句真话,都要针对这三种情况对并查集进行修改。
本题的并查集启用了压缩路径,无论是查找还是合并都尽可能地减少了并查集的层数。
对任意两个编号分别为x,y的生物,如果它们的根相同,那么它们属于同一个物种。如果它们属于三个离散闭区间[1, n], [n+1, 2n], [2n+1, 3n]中不同的区间,则它们是不同物种。
处理K句话。如果x>n或y>n,代表描述的动物不在1~n编号的范围,按题目要求,将假话数量+1。
否则,根据描述的种类来进行处理。
对第一类描述,如果求根发现两者存在吃或被吃的关系(查找只需要找一种情况,即A吃B、B吃C、C吃A中的一种,但注意x吃y和y吃x都要验证是否成立),那么这句话与已有条件冲突,为假话。否则,将x与y的根合并(x和y为A、B、C物种三种情况都要处理)。
对第二类描述,如果求根发现两者为同一物种(同为A或B或C),或捕食关系与当前描述相反,则这句话与已有条件冲突,为假话。
否则,按照x与y可以分别属于A和B、B和C、C和A物种三种情况来合并并查集的根节点。
Extra:
本例中,虽然对并查集的两个基本操作——查询和合并,都已经作了压缩路径的处理,但并不是所有时候都能确保每个并查集的层次只有2层。有时候,当某个并查集的根节点被修改为指向另一个并查集的根时,这个根节点连接的子节点的根节点仍然指向这个根节点本身,还未被处理。
例如当输入为:

3 3
2 1 2
2 2 3
2 3 1

时,每处理一句话后,并查集的情形分别是这样的:

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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