Uva 10305 Ordering Tasks

题目:http://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&category=105&page=show_problem&problem=1246
拓扑排序,直接dfs,具体看刘汝佳的《算法竞赛入门经典》。而且这道题目的题意是一定存在拓扑排序,所以更加简单。

#include<stdio.h>
#include<string.h>
#define MAXN 100+10

int vis[MAXN],edge[MAXN][MAXN],topo[MAXN],t,n;

void dfs(int i)
{
	int j;
	for(j=1;j<=n;j++)
		if(edge[i][j]&&!vis[j])
		{
			vis[j]=1;
			dfs(j);
		}
	topo[t--]=i;
}
int main()
{
	int i,m;
	for(;;)
	{
		scanf("%d%d",&n,&m);
		if(n==0&&m==0) break;
		memset(vis,0,sizeof(vis));
		memset(edge,0,sizeof(edge));
		while(m--)
		{
			int a,b;
			scanf("%d%d",&a,&b);
			edge[a][b]=1;
		}
		t=n;
		for(i=1;i<=n;i++)
			if(!vis[i])
			{
				vis[i]=1;
				dfs(i);
			}
		for(i=1;i<=n;i++)
		{
			printf("%d",topo[i]);
			if(i==n) putchar('\n');
			else putchar(' ');
		}
	}
	return 0;
}
 

 

基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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