UVA10369 Arctic Network 最小生成树 Prim算法

本文解析了UVA10369题目中的最小生成树问题,采用Prim算法解决稠密图上的网络连接成本优化问题,并通过卫星数量减少MST中的边数来达到最小化成本的目的。

UVA10369 Arctic Network 最小生成树 Prim


题面:

  • 题目的大概意思是,两个地点如果各有一个satellite channel,那么无论它们相隔多远都能通信,而如果任何一个没有satellite channel的话,就只能靠radio通信,而radio通信的成本与距离D是成正比的,现在希望让所有地点都能直接或者间接通信,问最小的D是多少。

    参考博客:https://blog.yuki-nagato.com/


解题过程:

  • 因为是稠密图,肯定选用Prim算法。
  • 有多少个卫星,就可以去掉MST中的几条边。Prim的过程保证找到的n-1条边是保证联通的最小的边的集合,每有一个卫星,就可以多一个联通块(MST的联通块为1),就可以去掉一条边。
  • 将MST中的边排序,去掉前p长的边即可。

AC代码:


#include<iostream>
#include<cstdio>
#include<cmath>
#include<cstring>
#include<queue>
using namespace std;
#define rep(i,l,p) for(int i=l;i<=p;i++)
#define fread() freopen("in.txt","r",stdin)
#define mp make_pair
typedef long long ll;
typedef pair<int ,int> P;
const int N = 505;
int n,p;
double a[N][N];
double x[N],y[N];
double d[N];
double ans;
bool v[N];
void prim(){
    rep(i,0,N-1) d[i] = 1e9;
    memset(v,0,sizeof v);
    d[1] = 0;
    for(int i=1;i<n;i++){
        int x = 0;
        for(int j=1;j<=n;j++){
            if(!v[j] && (x==0 || d[j] < d[x])) x = j;
        }
        v[x] = 1;
        for(int y=1;y<=n;y++){
            if(!v[y] && d[y] > a[x][y]){
                d[y] = a[x][y];
            }
        }
    }
}
double calc(int i,int j){
    return sqrt(1.0*(x[i]-x[j])*(x[i]-x[j]) + 1.0*(y[i]-y[j])*(y[i]-y[j]));
}
priority_queue<double,vector<double>,greater<double> > q;
int main(){
    ios::sync_with_stdio(false);
    int T;
    cin >> T;
    while(T--){
        cin >> p >> n;
        rep(i,0,N-1){
            rep(j,0,N-1){
                a[i][j] = 1e9;
            }
        }
        rep(i,1,n){
            cin >> x[i] >> y[i];
        }
        rep(i,1,n){
            rep(j,1,n){
               a[j][i] = a[i][j] = calc(i,j);
            //    cout << a[i][j] << endl;
            }
        }
        ans = 0.0;
        while(!q.empty()) q.pop();
        prim();
        // rep(i,1,n) printf("%.2lf\n", d[i]);

        rep(i,1,n){
            if(d[i] < 1e8) q.push(d[i]);
        }
        rep(i,1,n-p+1){
            ans = q.top();
            q.pop();
        }
        printf("%.2lf\n", ans);
    }
}
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