无重复字符的最长字串&并查集找到连通分支

博客提及LeetCode题目链接,主要内容是使用并查集来找到连通分支,且该并查集采用了优化,还提到了测试样例。

https://leetcode-cn.com/problems/longest-substring-without-repeating-characters/

class Solution {
public:
    int lengthOfLongestSubstring(string s) {
        // 哈希集合,记录每个字符是否出现过
        unordered_set<char> occ;
        int n = s.size();
        // 右指针,初始值为 -1,相当于我们在字符串的左边界的左侧,还没有开始移动
        int rk = -1, ans = 0;
        // 枚举左指针的位置,初始值隐性地表示为 -1
        for (int i = 0; i < n; ++i) {
            if (i != 0) {
                // 左指针向右移动一格,移除一个字符
                occ.erase(s[i - 1]);
            }
            while (rk + 1 < n && !occ.count(s[rk + 1])) {
                // 不断地移动右指针
                occ.insert(s[rk + 1]);
                ++rk;
            }
            // 第 i 到 rk 个字符是一个极长的无重复字符子串
            ans = max(ans, rk - i + 1);
        }
        return ans;
    }
};

下面使用并查集找到连通分支 并查集采用了优化

#include<iostream>
using namespace std;
int find(int *a,int x){    //并查集找连通分支
    int t=x;
    while (a[t]!=t){
        t=a[t];
    }
    int i=x,j;
    while(i!=t){  //统一领导人
        j=a[i];
        a[i]=t;
        i=j;
    }
    return t;
}
void join(int *a,int x,int y){
    int tx=find(a,x);//5
    int ty=find(a,y);
    if (tx!=ty){
        a[tx]=ty;
    }
}
int main(){
    int a[100];
    cout<<"请输入图的节点数 和  边数"<<endl;
    int n,m;
    cin>>n>>m;
    for (int i = 1; i <=n; ++i) {
        a[i]=i;
    }
    cout<<"请输入边数(x,y)"<<endl;
    int x,y;
    for (int i = 0; i < m; ++i) {
        cin>>x>>y;
        join(a,x,y);
    }
    int k=0;
    for (int i = 1; i <=n; ++i) {
        if (a[i]==i){
           k++;
        }
    }
    if (k==1){
        cout<<"图是连通的!!"<<endl;
    }else{
        cout<<"图不是连通的,且有"<<k<<"个连通分支"<<endl;
    }

}

测试样例

请输入图的节点数 和  边数
6 6
请输入边数(x,y)
1 2
2 3
3 4
4 5
5 1
1 3
图不是连通的,且有2个连通分支
内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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