Kruskal算法

本文介绍了一种使用Kruskal算法解决特定图论问题的方法,即如何在保持图的连通性的前提下,通过连接最少数量的边来实现最小总权重。文章详细解释了算法流程并提供了完整的代码实现。

P1195 口袋的天空

n个点,m条边,连成k个集合,也就是连(n-k)条边,并且使得连接的边权值最小

1.判断能不能成功 m>n-k
2.连n-k条边使得边权值之和最小,所以Kruskal算法有边的排序

//口袋的天空
//分析一下,就是k棵树要连n-k条边,怎么使边之和最小呢 
//Kruskal算法有排序

#include<iostream>
#include<cstring>
#include<algorithm>
using namespace std;
const int N=1010;
const int M=10010;

int p[N];
int n,m,k;
int res=0,cnt=0;
struct edge{
	int a,b,c;
}e[M];

bool cmp(edge a,edge b){
	return a.c<b.c;
}

int find(int x){
	if(p[x]!=x) p[x]=find(p[x]);
	return p[x];
}

int main(){
	cin>>n>>m>>k;
	if(m<n-k){
		cout<<"No Answer"<<endl;
		return 0;
	} 
	for(int i=0;i<m;i++){
		int a,b,c;
		cin>>a>>b>>c;
		e[i]={a,b,c};
	}
	sort(e,e+m,cmp);
	
	for(int i=1;i<=n;i++){
		p[i]=i;
	}
	
	for(int i=0;i<n;i++){
		int a=e[i].a,b=e[i].b,c=e[i].c;
		a=find(a);b=find(b);
		if(a!=b){
			p[a]=b;
			res+=c;
			cnt++;
		}
		if(cnt==k) break;
	}
	
	cout<<res<<endl;
	
	return 0;
	
}
【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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