POJ 3522 - Slim Span

本文介绍了一种算法,用于找出所有生成树中“最大边权值减去最小边权值”差值最小的一棵生成树。通过枚举最小边并使用Kruskal算法,实现了这一目标。

在所有生成树里,找到“最大边权值 减去 最小边权值”最小的那棵生成树。

那么,对于已经某个确定的最小边的所有生成树,我们找到最小生成树,它的“最大边权值 减去 最小边权值”就是这些生成树里最小的。

然后,我们枚举最小边即可。

#include<cstdio>
#include<iostream>
#include<algorithm>
using namespace std;
#define N 102
#define M 5000
#define INF 2147483647
int n,m;
struct Edge{
    int u,v,w;
}e[M];
bool cmp(Edge a,Edge b){return a.w<b.w;}
int par[N];
int find(int x){return( par[x]==x ? x : par[x]=find(par[x]) );}
int kruskal(int st)//获得最小边,作为开始边
{
    int i,cnt=0;
    for (i=1;i<=n;i++) par[i]=i;//初始化并查集 
    for (i=st;i<m;i++)//遍历后面的每条边 
    {
    	int x=find(e[i].u),y=find(e[i].v);
        if (x != y){//如果这条边的连接的左右节点还未连通 
        	par[y]=x;//将这条边连通 
			if (++cnt==n-1) break;//边计数增加1,如果边数到达了n-1条,那么一棵生成树已完成,跳出 
        }
    }
    if (cnt<n-1) return -1; //如果从开始边往后遍历,遍历完了所有边,依然无法产生一颗生成树,那么返回-1 
    return e[i].w-e[st].w; //否则就返回这棵生成树的“最大边权值 减去 最小边权值”的值 
}
int main()
{
    while (scanf("%d%d",&n,&m) && n!=0)
    {
        for (int i=0;i<m;i++) scanf("%d%d%d",&e[i].u,&e[i].v,&e[i].w);
        sort(e,e+m,cmp);//把边按权值按从小到大排序 
        int tmp,ans=INF;
        for (int i=0;i<m;i++)//枚举最小边 
        {
            tmp=kruskal(i);
            if(tmp==-1) break;//如果从这条最小边开始已经无法产生生成树了,之后显然也不会有生成树了,那么我们就直接跳出即可
            if(tmp<ans) ans=tmp;//记录下最小的那个“最大边权值 减去 最小边权值”
        }
        if(ans==INF) printf("-1\n"); //如果答案没被更新过,那么显然连一棵生成树都没有,按题目要求打印-1 
        else printf("%d\n",ans);//否则就打印出答案即可 
    }
    return 0;
}


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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