UVA_10397_Connect the Campus

本文介绍了一种实现Kruskal最小生成树算法的方法,包括使用离散集合(Disjoin Set)进行并查集操作,以及通过边的权重进行排序来避免环路的形成。该算法应用于解决特定图论问题,如寻找加权图中所有顶点组成的最小生成树。
#include<iostream>    
#include<sstream>    
#include<string>    
#include<vector>    
#include<list>    
#include<set>    
#include<map>    
#include<stack>    
#include<queue>    
#include<algorithm>    
#include<cmath>    
#pragma warning(disable:4996)    
using std::cin;
using std::cout;
using std::endl;
using std::stringstream;
using std::string;
using std::vector;
using std::list;
using std::pair;
using std::set;
using std::multiset;
using std::map;
using std::multimap;
using std::stack;
using std::queue;
using std::sort;
class DisjoinSet
{
private:
	vector<int>represent, rank;
public:
	DisjoinSet(const int &n) :represent(n), rank(n)
	{
		for (int i = 0; i < n; i++)
		{
			represent[i] = i;
		}
	}
	int find(int i)
	{
		return represent[i] = represent[i] == i ? i : find(represent[i]);
	}
	void merge(const int &x, const int &y)
	{
		auto a = find(x); auto b = find(y);
		if (rank[a] < rank[b])
		{
			represent[a] = b;
		}
		else
		{
			represent[b] = a;
			if (rank[b] == rank[a])
			{
				rank[a]++;
			}
		}
	}
};
class Edge
{
public:
	pair<int, int>vertex;
	double weight;
	Edge(const pair<int, int>&v, const double &w)
	{
		vertex = v;
		weight = w;
	}
};
bool compare(const Edge&a, const Edge&b)
{
	if (a.weight != b.weight)
	{
		return a.weight < b.weight;
	}
	if (a.vertex.first != b.vertex.first)
	{
		return a.vertex.first < b.vertex.first;
	}
	return a.vertex.second < b.vertex.second;
}
vector<Edge>getEdge()
{
	int n; 
	if (cin >> n)
	{
		;
	}
	else
	{
		exit(0);
	}
	vector<pair<double, double>>vertex(n);
	vector<vector<double>>graph(n,(vector<double>)n);
	for (int i = 0; i < n; i++)
	{
		cin >> vertex[i].first >> vertex[i].second;
	}
	for (int i = 0; i < n; i++)
	{
		for (int j = i+1; j < n; j++)
		{
			graph[i][j] = graph[j][i] = sqrt(pow(vertex[i].first - vertex[j].first, 2) + pow(vertex[i].second - vertex[j].second, 2));
		}
	}
	cin >> n;
	while (n--)
	{
		int first, second;
		cin >> first >> second;
		graph[first - 1][second - 1] = graph[second - 1][first - 1] = 0.0;
	}
	vector<Edge>edge;
	for (int i = 0; i < vertex.size(); i++)
	{
		for (int j = i + 1; j < vertex.size(); j++)
		{
			edge.push_back({{ i,j }, graph[i][j]});
		}
	}
	sort(edge.begin(), edge.end(), compare);
	return edge;
}
double kruscal(const vector<Edge>&edge)
{
	DisjoinSet union_set((int)sqrt(edge.size() * 2) + 1);
	double sum = 0;
	int block = (int)sqrt(edge.size() * 2) + 1;
	for (size_t i = 0; i < edge.size(); i++)
	{
		if (union_set.find(edge[i].vertex.first) != union_set.find(edge[i].vertex.second))
		{
			union_set.merge(edge[i].vertex.first, edge[i].vertex.second);
			sum += edge[i].weight;
			block--;
			if (block == 1)
			{
				return sum;
			}
		}
	}
	return 0;
}
int main()
{
	//freopen("input.txt","r",stdin);    
	//freopen("output.txt","w",stdout);
	while (1)
	{
		auto edge = getEdge();
		printf("%.2lf\n",kruscal(edge));
	}
	return 0;
}

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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