PAT A 1118. Birds in Forest

本文提供了一种使用并查集解决 PAT-A 1118 Birds in Forest 问题的方法。该算法首先初始化每个节点,并通过输入的数据进行节点合并,最后根据查询判断两个节点是否属于同一集合。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

PAT A 1118. Birds in Forest (25)
https://www.patest.cn/contests/pat-a-practise/1118
裸并查集

#include <bits/stdc++.h>
using namespace std;
struct UnionFind
{
    vector<int> id, sz;
    int n, cnt;
    UnionFind(int n) : n(n) {
        id.resize(n);
        sz.resize(n);
        for (int i = 0; i < n; i++) {
            id[i] = i;
            sz[i] = 1;
        }
        cnt = n;
    }
    int fd(int x)
    {
        if (x == id[x]) return x;
        return id[x] = fd(id[x]);
    }
    void unite(int x, int y)
    {
        int fx = fd(x), fy = fd(y);
        if (fx == fy) return;
        if (sz[fx] < sz[fy]) swap(fx, fy);
        id[fy] = fx;
        sz[fx] += sz[fy];
        cnt--;
    }
};
int main()
{
    //freopen("in", "r", stdin);
    int N;
    scanf("%d", &N);
    UnionFind uf(20000);
    set<int> st;
    for (int i = 0; i < N; i++) {
        int K;
        scanf("%d", &K);
        vector<int> B;
        for (int j = 0; j < K; j++) {
            int bi;
            scanf("%d", &bi);
            B.push_back(bi);
            st.insert(bi);
        }
        for (int j = 1; j < K; j++) {
            uf.unite(B[j - 1], B[j]);
        }
    }
    cout << st.size() - (20000 - uf.cnt) << ' ' << st.size() << endl;
    int Q;
    scanf("%d", &Q);
    while (Q--) {
        int u, v;
        scanf("%d%d", &u, &v);
        if (uf.fd(u) == uf.fd(v)) puts("Yes"); else puts("NO");
    }
}
内容概要:本文档详细介绍了基于MATLAB实现的无人机三维路径规划项目,核心算法采用蒙特卡罗树搜索(MCTS)。项目旨在解决无人机在复杂三维环境中自主路径规划的问题,通过MCTS的随机模拟与渐进式搜索机制,实现高效、智能化的路径规划。项目不仅考虑静态环境建模,还集成了障碍物检测与避障机制,确保无人机飞行的安全性和效率。文档涵盖了从环境准备、数据处理、算法设计与实现、模型训练与预测、性能评估到GUI界面设计的完整流程,并提供了详细的代码示例。此外,项目采用模块化设计,支持多无人机协同路径规划、动态环境实时路径重规划等未来改进方向。 适合人群:具备一定编程基础,特别是熟悉MATLAB和无人机技术的研发人员;从事无人机路径规划、智能导航系统开发的工程师;对MCTS算法感兴趣的算法研究人员。 使用场景及目标:①理解MCTS算法在三维路径规划中的应用;②掌握基于MATLAB的无人机路径规划项目开发全流程;③学习如何通过MCTS算法优化无人机在复杂环境中的飞行路径,提高飞行安全性和效率;④为后续多无人机协同规划、动态环境实时调整等高级应用打下基础。 其他说明:项目不仅提供了详细的理论解释和技术实现,还特别关注了实际应用中的挑战和解决方案。例如,通过多阶段优化与迭代增强机制提升路径质量,结合环境建模与障碍物感知保障路径安全,利用GPU加速推理提升计算效率等。此外,项目还强调了代码模块化与调试便利性,便于后续功能扩展和性能优化。项目未来改进方向包括引入深度强化学习辅助路径规划、扩展至多无人机协同路径规划、增强动态环境实时路径重规划能力等,展示了广阔的应用前景和发展潜力。
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