LA3887—Slim Span

题目链接: 传送门


题目大意:

给出一个n(2 <= n <= 100)结点的无向图,找一颗苗条度(最大边减最小边)最小的生成树。图中不包含自环和重边。


解题思路:

枚举树上的最小边,从这条最小边开始构建MST,此时这棵树是以该边为最小边的苗条度最小的生成树。因为构建MST时会使最大边最小。


代码:

#include <iostream>
#include <stack>
#include <vector>
#include <cstdio>
#include <cstring>
#include <cmath>
#include <algorithm>

using namespace std;

typedef long long llt;

const int N = 110;
const int M = 510;
const int INF = 0x3fffffff;
const int mod = 10000;

struct Edge{
    int u,v,w;
    bool operator < (const Edge&a) const{
        return a.w > w;
    }
}edge[N*N];
int parent[N];
int n,m;

void init()
{
    for(int i = 0; i < N; ++i) parent[i] = i;
}

int find(int a)
{
    while(a != parent[a]){
        parent[a] = parent[parent[a]];
        a = parent[a];
    }
    return a;
}

void merge(int a,int b)
{
    int i = find(a);
    int j = find(b);
    if(i != j) parent[i] = j;
}

int kruskal(int k)
{
    int cnt = 0;
    for(int i = k; i < m; ++i){
        int u = edge[i].u;
        int v = edge[i].v;
        if(find(u) != find(v)){
            cnt++;
            merge(u,v);
        }
        if(cnt == n-1){
            return edge[i].w;
        }
    }
    return -1;
}

int main()
{
    while(~scanf("%d%d",&n,&m)){
        if(n == 0 && m == 0) break;
        for(int i = 0; i < m; ++i){
            scanf("%d%d%d",&edge[i].u,&edge[i].v,&edge[i].w);
        }
        sort(edge,edge+m);
        init();
        int ans = kruskal(0);
        if(ans == -1){
            printf("-1\n"); continue;
        }
        ans -= edge[0].w;
        for(int i = 1; i <= m-n+1; ++i){
            init();
            int r = kruskal(i);
            if(r == -1) continue;
            ans = min(ans,r-edge[i].w);
        }
        printf("%d\n",ans);
    }
//    system("PAUSE");
    return 0;
}


内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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