POJ 2524 Ubiquitous Religions

题目大意:n个人,给定m对人宗教信仰相同,问最多有多少种宗教信仰。

 

和1611没多大区别

因为本题不需要考虑每个集合的个数,可以将parent负值简化,但我太懒了,不想改了。

#include<stdio.h>
#include<stdlib.h>
int parent[50001];
int t;

int findset(int x)
{
 int tmp,s;
 s=x;
 while (parent[s]>=0) s=parent[s];
 while (s!=x)
 {
   tmp=parent[x];
   parent[x]=s;
   x=tmp;
 }
 return s;
}

void unionset(int r1,int r2)
{
   int rr1,rr2;
   rr1=findset(r1);
   rr2=findset(r2);
   int tmp=parent[rr1]+parent[rr2];
   if (rr1==rr2) return;
   t--;
   if (parent[rr1]>parent[rr2]) {
                  parent[rr1]=rr2;
                  parent[rr2]=tmp;
                 }
             else {
                    parent[rr2]=rr1;
                    parent[rr1]=tmp;
                  }

 return;
}
int main()
{
    int n,m,x,y,k;
 scanf("%d%d",&n,&m);
 k=1;
 while (n!=0 || m!=0)
 {
   for (int i=0;i<=n;i++) parent[i]=-1;
   t=n;
   for (int i=1;i<=m;i++)
   {
    scanf("%d%d",&x,&y);
    unionset(x,y);
    }
   printf("Case %d: %d\n",k++,t);
  scanf("%d%d",&n,&m);
 }
}


 

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
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