二分图匹配 + 最小点覆盖 + 最小支配集 + 最大独立集(模板)

博客介绍了如何利用图论中的二分图匹配解决选课问题,通过最小点覆盖解决守卫城镇的士兵部署问题,以及运用最大权匹配解决暖暖与梅拉的搭配比赛策略。通过实例解析了这三个概念并提供了样例输入与输出。

选课(二分匹配)
Poj1649 COURSES
一共有N个学生跟P门课程一个学生可以任意选一 门或多门课,你需写一个程序,判断给定的输入是否可以满足以下条件。

1.每个学生选的都是不同的课(即不能有两个学生选同一门课)

2.即P门课都被成功选过

注意:是课程匹配的学生,学生没课上没事。
输入
第一行一个T代表T(T ≤ 10)组数据

对于每组测试样例,先输入两个整数P, N(P课程数 N学生数)。

接着p行:第i行代表第i门课程,首先一个数字k代表对课程i感兴趣的学生的个数,接下来是k个对这门课感兴趣的同学的编号。0 < P ≤ 500 0 < n ≤ 500。最大边数不超过1000.

输出
若能满足上述要求输出YES否则输出NO。
样例输入
2
3 3
3 1 2 3
2 1 2
1 1
3 3
2 1 3
2 1 3
1 1
样例输出
YES
NO

//二分匹配(完备匹配)
#include<bits/stdc++.h>
using namespace std;
const int maxn = 1000 + 5;
const int maxm = 500 + 5;
int un,vn;
int g[maxn][maxn];
int linker[maxn];
bool used[maxm];

bool dfs(int u){
   
   
  for(int v=1;v<=vn;v++){
   
   
    if(g[u][v]&&!used[v]){
   
   
      used[v]=true;
      if(linker[v]==-1||dfs(linker[v])){
   
   
        linker[v]=u;
        return true;
      }
    }
  }
  return false;
}

int hungary(){
   
   
  int res = 0;
  memset(linker,-1,sizeof linker);
  for(int u=1;u<=un;u++){
   
   
    memset(used,false,sizeof used);
    if(dfs(u)) res++;
  }
  return res;
}

int main(){
   
   
  int t,k,l;
  cin>>t;
  while(t--){
   
   
    memset(g,0,sizeof g);
    cin>>vn>>un;
    for(int i=1;i<=vn;i++){
   
   
      cin>>k;
      for(int j=1;j<
### 最小独立支配集的 GRASP 和 PC 算法实现方法 最小独立支配集(Minimum Independent Dominating Set, MIDS)是一个经典的组合优化问题,其目标是在图中找到一个节集合,使得该集合中的每个节都不相邻(独立性),并且该集合覆盖了图中的所有节(支配性)。GRASP(Greedy Randomized Adaptive Search Procedure)和 PC(Path-Relinking)算法是解决这类问题的有效元启发式方法。 以下是一个基于 GRASP 和 PC 的实现框架,用于求解最小独立支配集问题: #### GRASP 算法的核心思想 GRASP 是一种迭代优化算法,包含两个主要阶段:构造阶段和局部搜索阶段。在构造阶段,通过贪婪随机化策略生成初始解;在局部搜索阶段,对初始解进行改进以获得更好的解[^1]。 #### PC 算法的核心思想 PC 是一种路径引导技术,旨在连接两个不同的解,生成一组新的解,从而探索解空间的不同区域。通过将两个解之间的差异逐步引入到当前解中,可以生成一系列中间解,可能包含更优的解。 #### 代码实现示例 以下是一个简单的 GRASP 和 PC 算法实现框架,使用 Python 编写: ```python import random import networkx as nx def construct_solution(graph): """构造初始解""" nodes = list(graph.nodes) solution = set() candidates = set(nodes) while candidates: # 计算候选节的贪婪函数值(例如度数) greedy_values = {node: graph.degree(node) for node in candidates} max_greedy_value = max(greedy_values.values()) eligible_nodes = [node for node, value in greedy_values.items() if value == max_greedy_value] # 随机选择一个节加入解中 selected_node = random.choice(eligible_nodes) solution.add(selected_node) candidates.remove(selected_node) # 移除与 selected_node 相邻的节 neighbors = graph.neighbors(selected_node) candidates -= set(neighbors) return solution def local_search(graph, solution): """局部搜索改进解""" improved = True while improved: improved = False for node in solution.copy(): if all(neighbor in solution for neighbor in graph.neighbors(node)): solution.remove(node) improved = True return solution def path_relinking(graph, solution1, solution2): """路径引导生成新解""" new_solution = solution1.copy() difference = solution2 - solution1 for node in difference: if all(neighbor in new_solution for neighbor in graph.neighbors(node)): new_solution.add(node) return new_solution def grasp_pc(graph, iterations=100, pc_iterations=10): """GRASP 和 PC 算法结合""" best_solution = None best_cost = float('inf') for _ in range(iterations): # 构造阶段 solution = construct_solution(graph) # 局部搜索阶段 solution = local_search(graph, solution) cost = len(solution) if cost < best_cost: best_solution = solution best_cost = cost # PC 阶段 for _ in range(pc_iterations): new_solution = path_relinking(graph, best_solution, construct_solution(graph)) new_solution = local_search(graph, new_solution) if len(new_solution) < best_cost: best_solution = new_solution best_cost = len(new_solution) return best_solution, best_cost # 示例图 G = nx.Graph() G.add_edges_from([(1, 2), (2, 3), (3, 4), (4, 5), (5, 1)]) solution, cost = grasp_pc(G) print("最佳解:", solution) print("解的大小:", cost) ``` #### 实现说明 1. **构造阶段**:通过计算节的度数作为贪婪函数值,并随机选择具有最大度数的节加入解中。 2. **局部搜索阶段**:检查解中的每个节是否可以移除而不破坏支配性。 3. **路径引导阶段**:通过连接两个解生成新解,并对其进行局部搜索改进。 ###
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