左偏树

本文对比了左偏树和优先队列在作为堆使用时的性能和代码复杂度。左偏树在堆合并操作上表现出更高的效率,但代码实现较为复杂,空间占用较大。文章提供了左偏树的代码模板,展示了其在特定问题上的应用。

如果把左偏树当一个堆(优先队列)用

那么

​
const int maxn = 1e6+7;
int l[maxn],r[maxn],val[maxn],dis[maxn],tot,root;
int Merge(int x,int y){
    if(!x || !y)return x+y;
    if(val[x]>val[y])swap(x,y);
    r[x] = Merge(r[x],y);
    if(dis[l[x]]<dis[r[x]])swap(l[x],r[x]);
    dis[x] = dis[r[x]]+1;
    return x;
}
void pop(){
    int qwq = root;
    root = Merge(l[root],r[root]);
    l[qwq] = r[qwq] = 0;
}
void Push(int x){
    val[++tot] = x;
    root = Merge(root,tot);
}
int top(){
   return val[root];
}
int Empty(){
    return !root;
}

​

 

其实只用写Merge和pop即可,其他的根本用不到写函数,那么加起来一共14行

当然,在不开o2优化的时候左偏树完爆优先队列,

然而开了o2,左偏树就被打的体无完肤(其实差不多,但是想想优先队列多好写,左偏树还要写14行,空间又大)

当然左偏树空间比较大(因为不知道要用多少节点所以会开一个比较大的数)也是一个问题,就此问题可以加一个数组来模拟栈,起到回收节点的作用,

每次添加节点的时候,如果栈里有点,先从栈里拿,这样可以减少不必要的空间开支, 应用见链接

 

左偏树是一个代码量短,效率高的玩意,其亮点是在于堆的合并上,

 

数据结构插入删除取最小值合并
左偏树O(log(n))O(log(n))O(1)O(log(n))
堆(优先队列)O(log(n))O(log(n))O(1)O(n)

 

 

 

 

至于其他的堆,咱现在还不会

还有啊,据说启发式合并可以将合并给优化到O(log(n)*log(n)),反正还是不如左偏树了

 

贴一个模板

P3377 【模板】左偏树(可并堆)

 

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int maxn = 1e5+5e4+7;
int Fa[maxn],l[maxn],r[maxn],vl[maxn],dis[maxn],tot;
int Merge(int x,int y){
    if(!x || !y)return x+y;
    if(vl[x]>vl[y] || (vl[x] == vl[y] && x>y))swap(x,y);
    r[x] = Merge(r[x],y);
    if(dis[l[x]]<dis[r[x]])swap(l[x],r[x]);
    dis[x] = dis[r[x]]+1;
    return Fa[l[x]] = Fa[r[x]] = Fa[x] = x;
}
int Find(int x){return x == Fa[x]?x:Fa[x] = Find(Fa[x]);}
void del(int x){
    vl[x] = -1;
    Fa[l[x]] = l[x],Fa[r[x]] = r[x];
    Fa[x] = Merge(l[x],r[x]);
}
int n,t;
int main(){
    scanf("%d%d",&n,&t);
    dis[0] = -1;
    for(int i=1;i<=n;i++)scanf("%d",&vl[i]),Fa[i] = i;
    while(t--){
        int flag,x,y;
        scanf("%d%d",&flag,&x);
        if(flag == 1){
            scanf("%d",&y);
            int F1 = Find(x),F2 = Find(y);
            if(vl[x] == -1 || vl[y] == -1 || F1 == F2)continue;
            Merge(F1,F2);
        }else{
            if(vl[x] == -1)printf("-1\n");
            else printf("%d\n",vl[Find(x)]),del(Find(x));
        }
    }
    return 0;
}

 

 

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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