【NEW!】[割点与桥]模板割点

本文介绍了割点的概念及其在无向图中的作用,并详细解释了如何使用Tarjan算法来寻找无向图中的割点。文章还探讨了割点与强连通分量之间的关系,以及如何判断一个点是否为割点。

题目描述

割点模板

分析

割点的概念:在一个无向图点集中,删掉一个点以及所有与其相连的边,这个无向图不再联通,这个点叫做割点
桥的概念:在一个无向图点集中,删掉一条边,这个无向图不再联通,这条边叫做桥

解决割点与桥的问题可以用Tarjan算法解决。
我们知道low是能回溯到的最早编号。
所以割点有:
当一个点非搜索树树根时,dfn[u]<=low[v](即它的儿子至多回溯至u),这个点一定是割点。
为什么?
因为如果dfn[u]<=low[v],u就不是v所在强联通分量的一部分,删掉u,必定将v所在的强联通分量与整个图分开
但是你们一定注意到非搜索树树根
因为树根编号在全图中一定最小,所以上述定理必定成立,但是我们很容易就可以举出反例。
那么我们再思考,既然是树,树根?
删掉树根不就相当于断开了子树的联系吗?
所以搜索树树根只要满足拥有两棵或以上的子树即可成为该图割点。
关于桥,在下篇博客中讨论。

#include <iostream>
#include <cstdio>
#define rep(i,a,b) for (i=a;i<=b;i++)
#define sep(i,start,n) for (i=start;i;i=n[i].next)
using namespace std;
int edgecnt;
struct edge
{
    int u,v,next;
};
edge G[200001];
int list[100001];

int n,m;

int low[100001],dfn[100001],times;

int f[100001];
bool b[100001];
int cut;

void ADD(int u,int v)
{
    G[++edgecnt].u=u;G[edgecnt].v=v;G[edgecnt].next=list[u];list[u]=edgecnt;
    return;
}

void INIT()
{
    int x,y,i;
    scanf("%d%d",&n,&m);
    rep(i,1,m)
    {
        scanf("%d%d",&x,&y);
        ADD(x,y);
        ADD(y,x);
    }
    return;
}

void TARJAN(int i,int F)
{
    f[i]=F;
    int j,k;
    int ccnt=0;
    low[i]=dfn[i]=++times;
    sep(k,list[i],G)
    {
        j=G[k].v;
        if (!dfn[j])
        {
            ccnt++;
            TARJAN(j,i);
            low[i]=min(low[i],low[j]);
            if (ccnt>1&&F==-1||F!=-1&&low[j]>=dfn[i])
            {
                if (!b[i]) cut++;
                b[i]=1;
            }
        }
        else
        low[i]=min(low[i],dfn[j]);
    }
}

void DOIT()
{
    int i,j,k;
    rep(i,1,n)
    if (!dfn[i])
    TARJAN(i,-1);
    printf("%d\n",cut);
    rep(i,1,n)
    if (b[i])
    printf("%d ",i);
}

int main()
{
    INIT();
    DOIT();
}
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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