HDU 迷宫城堡 强连通图 kosaraju and tarjan

本文介绍了一种使用Kosaraju算法解决强连通分量问题的方法。该算法通过两次深度优先搜索来找出图中的所有强连通分量。首先从任意顶点开始进行深度优先搜索,然后对图进行反转并再次进行深度优先搜索。


kosaraju解法:

#include<iostream>
#include<stack>
#include<vector>
#include<algorithm>
#include<string.h>
#include<cstdio>
int n, m;
bool b[10002];
using namespace std;
vector<int> go[10002],goback[10002];
bool kosaraju(int k, vector<int> *go1)
{
    stack<int> Q; int cont = 0;
    Q.push(1); b[1] = true;
    while (!Q.empty())
    {
        cont++;
        int a = Q.top(); Q.pop();
        int length = go1[a].size();
        for (int i = 0; i < length; i++)
        {
            if (b[go1[a][i]] == true) continue;
            Q.push(go1[a][i]); b[go1[a][i]] = true;
        }
    }
    if (cont == n) return true;
    return false;
}
int main()
{
    while (cin >> n >> m && (n + m))
    {
        for (int i = 0; i < m; i++)
        {
            int a, b;
            scanf_s("%d%d", &a, &b);
            go[a].push_back(b);
        }
        memset(b, false, sizeof(b));
        if (!kosaraju(1,go))
        {
            cout << "No" << endl; 
            for (int i = 1; i <= n; i++)
            {
                go[i].clear();
                goback[i].clear();
            }
            continue;
        }
        memset(b, false, sizeof(b));
        for (int i = 1; i <= n; i++)
        {
            int tt = go[i].size();
            for (int j = 0; j < tt; j++)
            {
                goback[go[i][j]].push_back(i);
            }
        }
        if (!kosaraju(1, goback))
        {
            cout << "No" << endl; 
            for (int i = 1; i <= n; i++)
            {
                go[i].clear();
                goback[i].clear();
            }
            continue;
        }
        cout << "Yes" << endl;
        for (int i = 1; i <= n; i++)
        {
            go[i].clear();
            goback[i].clear();
        }
    }
    return 0;
}

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
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