复习LCA Tarjan算法

LCA与RMQ问题详解 LCA问题与RMQ问题详解 1.问题描述    LCA:Least Common Ancestors(最近公共祖先)。对于一棵树 T 中的任意两个节点u,v,算法 x=LCA(T, u, v) 返回的结果为节点u,v的最近公共父节点,也即是离树T的根节点最远的节点x,使得x同时是u和v的祖先。       例子:对于T=(V,E) V={1,2,3,4,5,6,7,8,9,10,11,12, 阅读详情

PKU 1470 Closest Common Ancestors
http://acm.pku.edu.cn/JudgeOnline/problem?id=1470
解题报告:输入描述的很恐怖,其实用scanf + getchar也可以很简单就写出来,用Tarjan算法要注意,统计祖先的时候要想清楚,不要重复统计和少统计了。
比如:
2
1:(1) 2
2:(0)
2
(1 2) (2 1)

1:2

PKU 1986 Distance Queries
http://acm.pku.edu.cn/JudgeOnline/problem?id=1986
解题报告:这个题构树要用双向边,然后DFS时做访问标记,根节点可以任意选择一个,虽然不同的根节点会导致同一对点的祖先不同,但是它们之间的路径长度是不变的。设d[i]表示从根到i的路径长度,dis(u,v)=d[u] + d[v] - 2*d[LCA(u,v)],很容易想到的。

ZOJ 2859 Matrix Searching

看了网上资料,才意识到是二维的RMQ。第一次做RMQ的题目。

从一维RMQ问题的Sparse Table 算法可以扩展出来。扩展的过程想起来还是比较明了的。
这样预处理的时间复杂度是O(n*n*log n*log n)。查询的复杂度是O(1)

int t[300][9][300][9];
预处理的递推公式:

t[i][a][j][b]=
  
min(t[i][a-1][j][0],t[i+p[a-1]][a-1][j][0]), b=0;
  
min(t[i][a][j][b-1], t[i][a][j+p[b-1]][b-1]),b>0;

循环顺序:

2^(k-1)<n<=2^k
for(a=0;a<k;++a)
for(b=0;b<k;++b)
{
    if
(a==0&&b==0)continue;
   
for(i=0;i+2^a<=n;++i)
       
for(j=0;j+2^b<=n;++j)
}

为什么Nano Banana在图像一致性上碾压GPT和豆包?深度解析其技术原理与使用技巧 本文深度解析了Nano Banana在图像一致性上超越GPT和豆包等工具的技术原理。它通过基于参考图的强条件生成、精准的区域感知与掩码控制等核心技术,实现了“外科手术式”的精准图像编辑。文章还分享了包括提示词工程、参数调整在内的实用技巧,并探讨了通过API Key将其能力集成到自动化工作流中的潜力。 阅读详情

相关推荐

SAP SD实战:用BADI_SLS_HEAD_SCR_CUS给销售订单VA01/VA02加自定义字段(附完整函数组代码)

本文详细解析了在SAP SD模块中如何利用BADI_SLS_HEAD_SCR_CUS实现销售订单(VA01/VA02)的屏幕增强,包括数据结构设计、函数组创建和BADI接口实现。通过实战案例和完整代码,帮助开发者掌握在SAPMV45A标准流程中添加自定义字段的关键技术,提升业务定制化能力。

weixin_27015733的博客 370

LCA总结

LCA(Least Common Ancestors) ,即最近公共祖先,在一棵有根树中,找出某两个节点u和v最近的公共祖先。 LCA可以分为在线算法和离线算法 在线算法:指程序可以以序列化的形式一个一个输入,也就是说一开始并不知道所有输入。 离线算法:指一开始就知道问题的所有数据,而在解决问题后立即输出结果。 1.LCA倍增算法 (在线) 时间复杂度:O((n+q)l...

why932346109的博客 993

【DSP】【工程实战】从零构建C6678多核工程:CCS环境配置与启动模式详解

本文详细介绍了在CCS开发环境中从零构建TMS320C6678多核DSP工程的完整流程。内容涵盖KeyStone架构解析、工程创建、基础代码编写、链接命令文件配置、仿真器调试,并重点深入讲解了包括I2C EEPROM在内的多种一级启动模式原理与配置方法,为开发者提供了一套清晰、可复用的实战指南。

weixin_29164185的博客 421

【图论】LCA(倍增)

LCA通常指的是“最近共同祖先”(Lowest Common Ancestor)。LCA是一种用于解决树或图结构中两个节点的最低共同祖先的问题的算法。在树结构中,LCA是指两个节点的最近层级的共同祖先节点。例如,考虑一棵树,其中节点A是节点B和节点C的祖先,而节点D是节点B和节点C的共同祖先,但节点D不是最低层级的共同祖先。在这种情况下,LCA就是节点D。LCA算法在计算机科学中有广泛的应用,例如在计算树的最近公共祖先、解决图的连通性问题、计算有向无环图(DAG)的最近公共祖先等方面。

SY奇星的OI博客 3406

WRF-CHEM 新手向实践(四):化学初始/边界场及namelist设置

这是这个系列的最后一节了,这些经验是自己作为一个半路出家的外行一步步摸索出来的,其中不免有很多理解不到位的地方,但也正是如此,我相信这是目前新手入门wrf-chem最友好的教程之一,希望能对大家有实质性的帮助。本节继续未完成的内容。在mozbc生成化学初始和边界条件之前,还需要先在wrfinput文件中开启化学部分。

qq_42335815的博客 4638

TIA博途中S7-1200进行MODBUS TCP通信(作为服务器)的具体方法演示

TIA博途中S7-1200进行MODBUS TCP通信(作为服务器)的具体方法演示

Robot_PLC_HMI_Automation 8618

学习笔记——LCA

LCA LCA,即最近公共祖先,在图论中应用比较广泛。 LCA的定义如下:给定一个有根树,若节点z同时是节点x和节点y的祖先,则称 z 是 x,y 的公共祖先;在 x,y 的所有公共祖先当中深度最大的称为 x,y 的最近公共祖先。下面给出三个最近公共祖先的例子: 显然,从上面的例子可以得出, LCA(x,y)即为 x,y 到根节点的路径的交汇点,也是 x 到 y 的路径上深度最小的节点。 向上标记法求LCA 求LCA最直接的方法,单次查询的时间复杂度最坏为 O(n)(看起来好像还挺快的,不过什么题会只有一

No_wonder の 小站 546

面向 OData V4 的 Fiori elements 为何强制使用 draft、它到底是什么、以及是否能关闭

本文深入解析了SAP Fiori elements中draft handling的核心机制与必要性。关键点包括:1)draft机制通过中间版本实现复杂编辑的安全恢复与并发控制;2)Fiori elements for OData V4强制要求draft-enabled服务支持事务编辑;3)非draft服务仅适用于只读场景;4)替代方案需承担完全自定义开发的成本。文章基于SAP官方文档,系统阐述了draft在事务型应用中的基础性作用,为架构决策提供了明确指导。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 269

关于LCA算法(倍增法)的几点总结

LCA算法的概念: 已知一个树和树上的两个点,求这两个点的最近公共祖先的算法 单次查询在最坏情况下的时间复杂度: LCA算法的注意事项: 初始化时循环中的d[u]有时容易写成d[i] LCA算法的例题(难度由低到高): P3379 【模板】最近公共祖先(LCA)(普及+ 提高) P1967 货车运输(提高+/省选-) LCA算法的适用范围: 无向树上 关于LCA算法的总...

Object_的博客 1283

YOLOv11涨点改进 | 全网创新首发、主干改进篇 | CVPR 2025 | RAVLT主干让 YOLOv11 更加强大!通过增强线性注意力机制,特别在小目标和复杂背景的检测上表现突出

本文提出RAVLT主干网络,通过改进YOLOv11的空间特征建模能力,显著提升小物体和复杂背景检测性能。RAVLT采用秩增强线性注意力(RALA)机制,在保持线性计算复杂度的同时解决传统线性注意力低秩问题。RALA通过增强KV缓冲区和输出特征矩阵的秩,提高特征多样性和建模能力。实验表明,RAVLT在ImageNet-1k上达到84.4% Top-1准确率,仅需2600万参数和4.6GFLOPs,性能优于现有线性注意力模型。文章详细介绍了RAVLT模块结构、实现原理及在YOLOv11中的集成方法,包含四种主干

Ai缝合怪、助力小伙伴高效发论文 641

RK3588与FocalTech触摸屏代码适配全解析:从原理到实战

摘要:本文详细介绍了瑞芯微RK3588处理器与FocalTech触摸屏的适配过程,包括硬件特性、驱动加载、设备树配置和常见问题解决方案。RK3588作为8nm工艺的高性能处理器,具备强大的计算能力和丰富的接口资源;FocalTech触摸屏则采用电容式技术,支持I2C/SPI接口。适配关键步骤包括驱动程序加载、硬件连接检查、设备树配置和内核版本兼容性处理,并提供了代码示例和问题排查方法。随着嵌入式设备智能化发展,该适配技术将持续优化,为智能交互提供更优解决方案。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 273

【计划】复习计划part 1

前言 因为经常考试,考着考着就开始气,明明想到/会做,但是模板不熟,或者哪个细节忘了,或者思想有点忘了,所以不敢写/写的很慢/写挂 所以要记录一下要复习的内容,还是以时间为序,完成时间会在以后用红字在后面添上。 复习大概是要包括 重温算法+熟练模板+写(不是板的)例题 lca 【happy那道题,想出来过后开心了半天,结果...敲不对】 模板(注解的地方是踩得雷) poj1...

Ashley_2013的博客 108

基于STM32+ESP8266+手机 APP+阿里云的智能小车设计与实现(项目资料ID:4)

本研究旨在设计一款高度智能化的智能小车系统,通过集成 STM32 微控制器、ESP8266 无线模块、手机 APP 以及阿里云平台,实现环境数据实时采集、远程精准控制和高效的数据交互。详细阐述系统各部分的设计原理、实现过程和测试结果,验证系统在实际应用中的可行性和有效性,为智能小车在多领域的应用提供技术支持。

以培养嵌入式工程师为己任 1万+

数据结构与算法-图论-复习2(差分约束,强连通分量,二分图,LCA,拓扑排序,欧拉路径和欧拉回路)

在递归返回后,说明该子节点的子树已经全部遍历完毕,将该子节点的状态设置为已遍历且子节点全部回溯完(状态 1),同时将子节点所在的并查集合并到当前节点所在的并查集(即将子节点的并查集代表元素设置为当前节点)。向上标记法的基本思想是先从节点 a 开始,将其到根节点的路径上的所有节点标记,然后从节点 b 开始向上遍历,第一个遇到的已标记节点就是 a 和 b 的最近公共祖先。对给定的树进行预处理,将每个节点的初始状态设置为未遍历(状态 3),并查集的每个元素的父节点初始化为自身,代表每个节点初始时属于独立的集合。

2401_84910613的博客 1453

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Luogu p3379(LCA)

传送门 题意: 求一颗nnn个节点的树的LCALCALCA 题目分析: 复习+学习一下三种不同LCALCALCA的求法(特别是根据欧拉序+STSTST表求LCALCALCA)的方法。 下面简单总结(借鉴)一下LCALCALCA的三种求法 代码: 树上倍增算法(在线...

weixin_30267697的博客 149

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

NOIP考纲 图论

从今天开始复习NOIP的考纲,每天复习一些,内容包括板子之类的。 DAY1 图论 1.Tarjan http://blog.youkuaiyun.com/qq_35866453/article/details/52589539 2.LCA 倍增LCA:function lca(a,b:longint):longint; var i,j:longint; begin if

老臣 446

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

杂记 Ver 0.0.5

咕噜咕噜……

JSure的代码库 776

【计划】NOIP最后几天大概要干的事情

不管怎么说,到最后三四天了,每天干点啥,列一个表吧……昨天浪得太狠没干什么事……模板压N位高精图论tarjan(scc,桥,割点)最小生成树(kruskal,prim) 最短路(SPFA,dij)倍增LCA二分图最大匹配数据结构线段树,树状数组。其它的像数论DP啥的没什么模板吧…………就这样吧复习学科限制,好像没什么可以复习的……看一下前几年的题吧,其实刷的差不多了剩下的时间做一下原来的老题,看一看

DQS的树洞 908

LCA算法以及原理详解

LCA-最近公共祖先   LCA(Least Common Ancestors),即最近公共祖先,这种描述是基于树结构的,也即我们通通常只在树结构中考虑祖先问题。树实际上就是图论中的有向无环图,而要研究LCA问题,首先我们要指定树中的一个顶点为根节点,并以该节点遍历有向无环图,生成一颗DFS序下的有向树,假设我们要查询的两个节点为u,v,DFS序下根节点到两点的最短路径分别是(r,u),和(r,v),LCA就是(r,u)与(r,v)公共路径的最后一个节点,如下图所示,w即为LCA。   换句话说,u,v的

qq_37957064的博客 2万+

【蒟蒻周报】图论黑魔法 9.24-9.30

周出题解 「BZOJ4390」[Usaco2015 dec] Max Flow - 树上差分 - LCA 「POJ3539」Elevator - 同余类最短路 「POJ1201」Intervals - 差分约束 「TYVJ1415」西瓜种植 - 差分约束 「POJ3259」Wormholes - SPFA判负环 「CH6201」走廊泼水节 - Kruskal 本周内容 着重复习了一下图论的基础内容...

weixin_30360497的博客 159

tarjan复习笔记

tarjanTarjan 求 LCA做法tarjan求强连通分量 Tarjan 求 LCA 做法 总体思想:遍历每一个结点并使用并查集记录父子关系。 Tarjan 是一种 DFS 的思想。我们需要从根结点去遍历这棵树。 当遍历到某一个结点(称之为 xxx) 时,你有以下几点需要做的。 将当前结点标记为已经访问。 递归遍历所有它的子节点(称之为 yyy),并在递归执行完后用并查集合并 xxx...

lcy19260817的博客 188

tarjan复习

目录 Tarjan 求 LCA 做法 tarjan求强连通分量 割点 @(tarjan) Tarjan 求 LCA 做法 总体思想:遍历每一个结点并使用并查集记录父子关系。 Tarjan 是一种 DFS 的思想。我们需要从根结点去遍历这棵树...

Tyl18858230607的博客 155

LCT&Tarjan算法解决LCA问题&ST算法解决RMQ问题

先复习一下RMQ(ST算法) RMQ问题背景 给出一个序列,然后求子区间的最大最小值 m次查询,长度为n 暴力搜:O(mn) 线段树树形结构维护区间最值O(nlogn) ST算法:预处理的O(n*logn+q) // // main.cpp // RMQ复习 // // Created by 陈冉飞 on 2019/9/18. // Copyright © 2019 陈冉飞. All ...

Aczy156的博客 324

poj1470 Closest Common Ancestors Lca离线算法Tarjan

一直都在复习联赛,都没有时间学习LCA了,今天我好不容易抽了一点时间,学习了LCA。这道题目十分的水,随随便摆就过掉了,没有什么难点,只要你会Tarjan你就可以轻易的过掉。好了,闲话不多说,直接上代码#include<cstdio> #include<cstdlib> #include<cstring> #include<iostream> #include<cmath> #include<que

跳动的量子 469

poj3694+hdu2460 求桥+缩点+LCA/tarjan

这个题使我更深理解了TARJAN算法,题意:无向图,每添加一条边后文桥的数量,三种解法:(按时间顺序),1,暴力,每每求桥,听说这样能过,我没过,用的hash判重,这次有俩个参数(n->10w,开不了二维的),怎么判?联系2个参数,我想到了用一个函数,像散列一样,定义关系,我随便写了一个hash[x+y+x/y+y/x+x%y+y%x+x|y],一直WA,虽然未过,但是想到了这个,以后2个参数判重

天羽屠龙舞 915

学习笔记:tarjan求lca

今天学了一下tarjan求lca(离线的),时间复杂度为O(n*a(n)),就是并查集的时间复杂度。 对于一个询问(u,v),我们先把它加进u开头的与v开头的邻接链表。然后做一遍Dfs。我们肯定会先Dfs到其中一个节点(假设是u),在Dfs到另外一个(v)。那么我们在Dfs到u的时候,把vis[u]标为true,然后在Dfs到v的时候,我们处理所有vis为true的v的邻接链表中的u。它们的lc

KsCla 1069
上一篇: POJ 3264 Balanced Lineup 线段树解法
下一篇: LCA问题的Tarjan离线算法
apachecq
博客等级 码龄19年 6粉丝 32原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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