无向图的接合点问题

/*定义:图G=<V,E>是连通图,顶点集S属于V,若删去S中的所有顶点,将使图G不连通,
就称S是图G的割集。若S={V},则称v为G的割点或接合点。
性质1:当且仅当深度优先搜索树德跟结点至少有两个以上儿子,则根结点是接合点。
性质2:当且仅当深度优先搜索树中,v的每一个儿孙结点不能通过后向变到达v的祖先结点
则结点v是接合点。
性质1中所说的儿子结点是通过一个儿子如果不能通过除了父亲结点以外的任意结点到达另
一个儿子结点,与平时 所说的儿子节点稍有不同。
*/
struct adj_list
{
int v;
struct adj_list *next;
};
typedef struct adj_list NODE;
//NODE node[n];
int art_point(NODE node[],int n,int art[],int root)
{
int i,prefdn,count,degree;
bool *b=new bool[n];
int *pren=new int [n];
int *backn=new int [n];
prefdn=0;count=0;degree=0;
for(int i=0;i<=n;i++)b[i]=false;
artdfs(root,node,pren,backn,b,prefdn,art,count,root,degree);
delete b;delete pren;delete backn;
return count;
}
void artdfs(int v,NODE node[],int pren[],int backn[],bool b[],
 int &prefdn,int art[],int &count,int root,int &degree)
{
int w;
bool artpoint=false;
NODE *p=node[v].next;/*把v标记为访问过,初始化pren,backn*/
b[v]=true;pren[v]=++prefdn;backn[v]=prefdn;
while(p!=NULL)/*v的所有邻接顶点处理完毕???*/
{
w=p->v;/*处理v的临界顶点w,(v,w)为树边*/
if(!b[w])
{
artdfs(w,node,pren,backn,b,prefdn,art,
count,root,degree);/*对w进行深度优先搜寻*/
if(v==root)/*v是根结点??*/
{
degree++;/*根结点的度增加1*/
if(degree>=2)/*如果根结点的度大于等于2*/
artpoint=true;/*则根结点是接合点*/
}
else/*处理v后向可达的顶点*/
{
backn[v]=min(backn[v],backn[w]);/*如果w后向可达的顶点至多是v*/
if(backn[w]>=pren[v])artpoint=true;/*则v是接合点*/
}
}
else backn[v]=min(backn[v],pren[w]);/*(v,w)是后向边,
更新v的后向可达顶点的遍历顺序号*/
p=p->next;/*处理下一个邻接顶点*/
}
if(artpoint)
{
count++;art[count]=v;/*如果v是接合点,则登记于art*/
}
}














但是我觉得有更容易理解的方式,利用并查集。通过把某个点去掉判断剩下的点是否
属于一个集合。。当然效率可能会降低很多。。。
下面是一个用上述方法的一个实例。。。
#include<cstdio>
#include<string.h>
using namespace std;
int map[100][100];
int pren[100];
int backn[100];
bool visited[100];
int art[100];
int n;
int min(int u,int v)
{
if(u>v)return v;
else return u;
}
void artdfs(int v,int &deepth,int &count,int &degree)
{
pren[v]=++deepth;
backn[v]=deepth;
visited[v]=true;
bool artpoint=false;
for(int i=1;i<=n;i++)
{
if(!map[v][i])continue;
if(!visited[i])
{
artdfs(i,deepth,count,degree);
if(v==1)
{
degree++;
if(degree>=2)artpoint=true;
}
else
{
backn[v]=min(backn[i],backn[v]);
if(backn[i]>=pren[v])artpoint=true;
}
}
else
backn[v]=min(backn[v],pren[i]);


}
if(artpoint)
art[++count]=v;
}
int main()
{
freopen("in.txt","r",stdin);
while(scanf("%d",&n)==1)
{
memset(map,0,sizeof(map));
memset(visited,0,sizeof(visited));
int m;
scanf("%d",&m);
for(int i=1;i<=m;i++)
{
int u,v;
scanf("%d%d",&u,&v);
map[u][v]=1;
map[v][u]=1;
}
for(int i=1;i<=n;i++)map[i][i]=1;
/*for(int i=1;i<=n;i++)
{
for(int j=1;j<=n;j++)
printf("%d  ",map[i][j]);
printf("\n");
}*/
int count=0;int degree=0;int deepth=0;
artdfs(1,deepth,count,degree);
printf("%d\n",count);
for(int i=1;i<=count;i++)
printf("%d  ",art[i]);
}
return 0;
}

### 图神经网络中无向图邻接矩阵的表示与应用 #### 一、无向图邻接矩阵的特点 在一个无向图中,每条边都没有方向性,因此从顶点 \( u \) 到顶点 \( v \) 的边和从顶点 \( v \) 到顶点 \( u \) 的边实际上是同一条边。这种特性使得无向图的邻接矩阵具有对称性质,即对于任意两个顶点 \( i \) 和 \( j \),满足 \( A_{ij} = A_{ji} \)[^3]。 #### 二、无向图邻接矩阵的具体表示形式 假设有一个包含 \( N \) 个节点的无向图,其邻接矩阵是一个大小为 \( N \times N \) 的方阵。如果顶点 \( i \) 和顶点 \( j \) 存在连接,则对应的矩阵元素 \( A_{ij} = A_{ji} = 1 \);如果没有连接,则 \( A_{ij} = A_{ji} = 0 \)。此外,在加权无向图的情况下,\( A_{ij} \) 可能存储的是权重值而非简单的布尔值[^2]。 #### 三、无向图邻接矩阵的应用场景 无向图的邻接矩阵常用于描述一些自然界的物理现象和社会科学中的关系网路。例如社交网络分析、分子结构建模等都可以利用无向图来表达实体之间的相互作用。具体来说: - **社交网络**:朋友之间的好友关系通常是双向的,可以用无向图来表示。 - **化学领域**:原子间的键合也是无向的关系,适合用无向图进行建模并进一步研究物质属性[^1]。 #### 四、基于无向图邻接矩阵构建 GNN 模型 当使用图神经网络 (GNN) 处理无向图数据时,可以通过以下方式操作邻接矩阵: - 邻接矩阵可以直接作为输入的一部分传递给 GCN 或其他类型的 GNN 层; - 对于大规模稀疏图,为了节省内存空间和计算资源,可以采用 COO 格式的稀疏矩阵表示法(edge_index, edge_w),其中 `edge_index` 是一个形状为 \( 2 \times E \) 的张量(E代表边的数量),每一列对应一条边两端的索引位置,而 `edge_w` 记录这些边上的权重信息。 以下是使用 PyTorch Geometric 实现的一个简单例子,展示如何加载无向图的数据并通过 GCN 进行训练: ```python import torch from torch_geometric.data import Data from torch_geometric.nn import GCNConv # 定义无向图的边列表和特征 edge_index = torch.tensor([[0, 1], [1, 0]], dtype=torch.long).t().contiguous() # 边是无向的 x = torch.randn(2, 8) data = Data(x=x, edge_index=edge_index) class Net(torch.nn.Module): def __init__(self): super().__init__() self.conv1 = GCNConv(data.num_node_features, 16) def forward(self, data): x, edge_index = data.x, data.edge_index x = self.conv1(x, edge_index) return x model = Net() out = model(data) print(out) ``` 此代码片段展示了如何创建一个基本的 GCN 并对其进行前向传播运算。 ---
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