十二、图的算法入门--(3)最小生成树---Kruskal算法实现

本文详细介绍了Kruskal算法,一种用于寻找无向加权图最小生成树的贪心策略算法。通过将图视为森林并按边权重排序,算法能够逐步构建最小生成树。实例演示了算法的应用过程,并计算了最小生成树的权值之和。此外,文章强调了Kruskal算法在稀疏图上的应用优势。

摘自计蒜客:http://www.jisuanke.com/course/35/7553


最小生成树的另一种算法——Kruskal 算法。

首先我们定义带权图 G 的边集合为 E,接着我们再定义最小生成树的边集合为 T,初始集合 T 都为空。

接着执行以下操作:

首先,我们把图 G 看成一个有 n 棵树的森林,图上每个顶点对应一棵树。
接着,我们将边集合 E 的每条边,按权值从小到大进行排序,依次遍历每条边 e=(u,v),我们记顶点 u 所在的树为 Tu, 顶点 v 所在的树为 Tv,如果 Tu 和 Tv不是同一棵树,则我们将边 e 加入集合 T,并将两棵树 Tu 和 Tv进行合并。
算法执行完毕后,集合 T 记录了最小生成树的所有边。

下面有一个例子模拟下kruskal算法:


通过模拟,最终我们可以得到该图对应的最小生成树,如下图所示:


从图中我们可以算出最小权值和为:19+42+31+19=121

仔细分析算法,我们可以发现,Kruskal 算法也是采用了贪心的策略,每次都会选择一条两个顶点不在同一棵树且权值最小的边加入集合。Kruskal 算法的时间复杂度为 O(ElogE),E 为图 G 的总边数,所以 Kruskal 算法一般应用于较为稀疏的图,也就是顶点较多、而边较少的图。




内容概要:本文档围绕六自由度机械臂的ANN人工神经网络设计展开,涵盖正向与逆向运动学求解、正向动力学控制,并采用拉格朗日-欧拉法推导逆向动力学方程,所有内容均通过Matlab代码实现。同时结合RRT路径规划与B样条优化技术,提升机械臂运动轨迹的合理性与平滑性。文中还涉及多种先进算法与仿真技术的应用,如状态估计中的UKF、AUKF、EKF等滤波方法,以及PINN、INN、CNN-LSTM等神经网络模型在工程问题中的建模与求解,展示了Matlab在机器人控制、智能算法与系统仿真中的强大能力。; 适合人群:具备一定Ma六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)tlab编程基础,从事机器人控制、自动化、智能制造、人工智能等相关领域的科研人员及研究生;熟悉运动学、动力学建模或对神经网络在控制系统中应用感兴趣的工程技术人员。; 使用场景及目标:①实现六自由度机械臂的精确运动学与动力学建模;②利用人工神经网络解决传统解析方法难以处理的非线性控制问题;③结合路径规划与轨迹优化提升机械臂作业效率;④掌握基于Matlab的状态估计、数据融合与智能算法仿真方法; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点理解运动学建模与神经网络控制的设计流程,关注算法实现细节与仿真结果分析,同时参考文中提及的多种优化与估计方法拓展研究思路。
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