poj 2421 Constructing Roads(最小生成树prim)

本文介绍使用Prim算法解决给定图的最小生成树问题。通过矩阵形式存储图的数据结构,并利用已知部分边来优化算法实现。适用于图论与算法学习。

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

题目地址

题目大意:给出一个图有n个点,以矩阵的形式给出点与点之间的权值,告诉其中m条边(边的端点)已经存在,求将整个图联通还需的最小权值和

解题思路:首先判断为最小生成树,题目以矩阵的形式给出数据,用prim算法,因为已经给出部分边已联通,处理一下,直接模板

#include <iostream>
#include <cstdio>
#include <cmath>
#include <algorithm>
#include <cstring>
#include <queue>
#include <string>
#include <map>
#include <stack>
#include <list>
#include <set>

using namespace std;

const int maxn = 100+10;
const int INF = 0xfffffff;

int mp[maxn][maxn],low[maxn],visited[maxn];//mp数组邻接矩阵存储图,low数组记录集合外的每个点与集合内的最小权值,visited数组标记某点是否已访问
int n;//n个点

int prim()
{
    int pos,Min;//pos为刚加入的点,Min为当前情况下要加入边的权值(当前最小)
    int result = 0;//存储最小权值和
    memset(visited,0,sizeof(visited));
    visited[1] = 1;//从某点开始,分别标记
    pos = 1;//从某点开始,记录该点
    for(int i = 1; i <= n; i++)
        if(i != pos) low[i] = mp[pos][i];//初始化low数组
    for(int i = 1; i < n; i++)//再运行n-1次(起点已经进入集合)使n个点全部进入集合
    {
        Min = INF;//找出最小权值并记录位置
        for(int j = 1; j <= n; j++)
            if(!visited[j] && Min > low[j])//对于每个点如果没有进入集合并且该点与集合的距离比当前的最小权值小则更新
            {
                Min = low[j];
                pos = j;
            }
            result += Min;//最小权值累加
            visited[pos] = 1;//标记该点,进入集合
            for(int j = 1; j <= n; j++)//更新权值(刚进入的点对权值的影响)
                if(!visited[j] && low[j] > mp[pos][j])
                    low[j] = mp[pos][j];
    }
    return result;
}

int main()
{
    int m,a,b;
    scanf("%d",&n);
    for(int i = 1; i <= n; i++)
    {
        for(int j = 1; j <= n; j++)
        {
            mp[i][j] = INF;
        }
    }
    for(int i = 1; i <= n; i++)
    {
        for(int j = 1; j <= n; j++)
        {
            scanf("%d",&mp[i][j]);
        }
    }
    scanf("%d",&m);
    for(int i = 1; i <= m; i++)
    {
        scanf("%d%d",&a,&b);
        mp[a][b] = mp[b][a] = 0;
    }
    int ans = prim();
    printf("%d\n",ans);
    return 0;
}


内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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