POJ 2236 - Wireless Network

并查集的应用。

#include<cstdio>
#include<iostream>
using namespace std;
struct type{
	int x,y;//电脑的坐标
	bool state;//电脑是否已修复,已修复为1,未修复为0
}c[1005];
int par[1005],rank[1005],n,d;
void init(int n)
{
	for(int i=1;i<=n;i++){
		par[i]=i,rank[i]=0;
		c[i].state=0;
	}
}
int find(int x)
{
	if(par[x] == x) return x;
	else return( par[x] = find(par[x]) );
}
void unite(int x,int y)
{
	x=find(x),y=find(y);
	if(x == y) return;
	if(rank[x] < rank[y]) par[x]=y;
	else
	{
		par[y]=x;
		if(rank[x] == rank[y]) rank[x]++;
	}
}
double dist2(type a,type b)//返回两台电脑的距离的平方
{
	return( (a.x-b.x)*(a.x-b.x) + (a.y-b.y)*(a.y-b.y) );
}
bool same(int x,int y){return( find(x) == find(y) );}
int main()
{
	char op;
	scanf("%d%d",&n,&d);
	init(n);//初始化n台电脑
	for(int i=1;i<=n;i++) scanf("%d%d",&c[i].x,&c[i].y);
	while(cin>>op)
	{
		if(op == 'O')
		{
			int Num;
			scanf("%d",&Num);
			c[Num].state=1;
			for(int i=1;i<=n;i++)//遍历每台电脑,对于某台电脑c[i]……
			{
				if(i == Num) continue;
				if(c[i].state && dist2(c[i],c[Num]) <= d*d) unite(i,Num);//如果c[i]是已修复的,并且与当前修复这台电脑c[Num]距离小于d,就归入一组
			}
		}
		else if(op == 'S')
		{
			int test1,test2;
			scanf("%d%d",&test1,&test2);
			if(same(test1,test2)) printf("SUCCESS\n");//在同一组内,就可以成功通信
			else printf("FAIL\n");//否则就无法通信
		}
	}
}




内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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