UVALive 6467 Strahler Order(拓扑排序)

UVALive 6467:拓扑排序解决Strahler Order问题
该博客介绍了如何利用拓扑排序解决UVALive 6467题目的Strahler Order问题。通过理解题目要求,即根据点的入度给点分配标号,并确保标号符合特定规则,博主提出利用宽度优先搜索(BFS)策略。在BFS过程中,使用vis[]数组记录节点是否存在两个入度的情况,从而更新节点的标号。最后,博主提供了AC代码来展示解决方案。
题意:

给你n个点m条边。入度为0的点标为1,如果一个点只有一个点指向,那么它标为那个点的标数。如果一个点有两个或以上相同标号的点指向。那么给它标为i+1,如果有更大的话就标为更大的。求最大的标号。

解析:

这题可以借鉴宽度优先搜索拓扑排序的思想,但是这边有一个技巧,用vis[]数组来表示当前节点是否有两个入度,如果有当前节点上有两个入度的话,就将vis[]标记为true。
每次bfs时,就将当前点的 order[u] += vis[u];

AC代码

#include <cstdio>
#include <cstring>
#include <vector>
#include <queue>
using namespace std;
const int N = 1e3 + 10;
int n, m, indeg[N], order[N];
bool vis[N];
vector<int> g[N];
void init() {
    memset(vis, 0, sizeof(vis));
    memset(indeg, 0, sizeof(indeg));
    memset(order, 0, sizeof(order));
    for(int i = 0; i < N; i++) {
        g[i].clear();
    }
}

void add(int from, int to) {
    g[from].push_back(to);
}

int bfs() {
    queue<int> que;
    for(int i = 1; i <= n; i++) {
        if(indeg[i] == 0) {
            order[i] = 1;
            que.push(i);
        }
    }
    while(!que.empty()) {
        int u = que.front();
        que.pop();

        order[u] += vis[u];
        for(int i = 0; i < g[u].size(); i++) {
            int v = g[u][i];
            indeg[v]--;
            if(order[v] < order[u]) {
                order[v] = order[u];
                vis[v] = false;
            }else if(order[v] == order[u]) {
                vis[v] = true;
            }
            if(indeg[v] == 0)
                que.push(v);
        }
    }
    return order[n];
}

int main() {
    int T, cas;
    scanf("%d", &T);
    while(T--) {
        init();
        scanf("%d%d%d", &cas, &n, &m);
        int u, v;
        while(m--) {
            scanf("%d%d", &u, &v);
            add(u, v);
            indeg[v]++;
        }
        printf("%d %d\n", cas, bfs());
    }
    return 0;
}
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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