第十三周项目2---Kruskal算法的验证

本文介绍了一种基于克鲁斯卡尔算法实现最小生成树的方法,并通过具体实例演示了算法的过程。通过邻接矩阵和邻接表两种方式表示图结构,并实现了从一种表示方式到另一种的转换。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

/*     
*烟台大学计算机与控制工程学院      

*作    者:林颖

*完成日期:2016年11月18日  

*问题描述:验证克鲁斯卡尔算法  

*/   

1.graph.h

#define MAXV 100                //最大顶点个数  
#define INF 32767       //INF表示∞  
typedef int InfoType;  
  
//以下定义邻接矩阵类型  
typedef struct  
{  
    int no;                     //顶点编号  
    InfoType info;              //顶点其他信息,在此存放带权图权值  
} VertexType;                   //顶点类型  
  
typedef struct                  //图的定义  
{  
    int edges[MAXV][MAXV];      //邻接矩阵  
    int n,e;                    //顶点数,弧数  
    VertexType vexs[MAXV];      //存放顶点信息  
} MGraph;                       //图的邻接矩阵类型  
  
//以下定义邻接表类型  
typedef struct ANode            //弧的结点结构类型  
{  
    int adjvex;                 //该弧的终点位置  
    struct ANode *nextarc;      //指向下一条弧的指针  
    InfoType info;              //该弧的相关信息,这里用于存放权值  
} ArcNode;  
  
typedef int Vertex;  
  
typedef struct Vnode            //邻接表头结点的类型  
{  
    Vertex data;                //顶点信息  
    int count;                  //存放顶点入度,只在拓扑排序中用  
    ArcNode *firstarc;          //指向第一条弧  
} VNode;  
  
typedef VNode AdjList[MAXV];    //AdjList是邻接表类型  
  
typedef struct  
{  
    AdjList adjlist;            //邻接表  
    int n,e;                    //图中顶点数n和边数e  
} ALGraph;                      //图的邻接表类型  
  
//功能:由一个反映图中顶点邻接关系的二维数组,构造出用邻接矩阵存储的图  
//参数:Arr - 数组名,由于形式参数为二维数组时必须给出每行的元素个数,在此将参数Arr声明为一维数组名(指向int的指针)  
//      n - 矩阵的阶数  
//      g - 要构造出来的邻接矩阵数据结构  
void ArrayToMat(int *Arr, int n, MGraph &g); //用普通数组构造图的邻接矩阵  
void ArrayToList(int *Arr, int n, ALGraph *&); //用普通数组构造图的邻接表  
void MatToList(MGraph g,ALGraph *&G);//将邻接矩阵g转换成邻接表G  
void ListToMat(ALGraph *G,MGraph &g);//将邻接表G转换成邻接矩阵g  
void DispMat(MGraph g);//输出邻接矩阵g  
void DispAdj(ALGraph *G);//输出邻接表G 

2.graph.cpp

#include<stdio.h>  
#include<malloc.h>  
#include"grap.h"  
//功能:由一个反映图中顶点邻接关系的二维数组,构造出用邻接矩阵存储的图  
//参数:Arr - 数组名,由于形式参数为二维数组时必须给出每行的元素个数,在此将参数Arr声明为一维数组名(指向int的指针)  
//      n - 矩阵的阶数  
//      g - 要构造出来的邻接矩阵数据结构  
  
void ArrayToMat(int *Arr, int n, MGraph &g)  
{  
    int i,j,count=0;  //count用于统计边数,即矩阵中非0元素个数  
    g.n=n;  
    for (i=0; i<g.n; i++)  
        for (j=0; j<g.n; j++)  
        {  
            g.edges[i][j]=Arr[i*n+j]; //将Arr看作n×n的二维数组,Arr[i*n+j]即是Arr[i][j],计算存储位置的功夫在此应用  
            if(g.edges[i][j]!=0)  
                count++;  
        }  
    g.e=count;  
}  
  
  
void ArrayToList(int *Arr, int n, ALGraph *& G) //用普通数组构造图的邻接表  
  
{  
    int i,j,count=0;  //count用于统计边数,即矩阵中非0元素个数  
    ArcNode *p;  
    G=(ALGraph *)malloc(sizeof(ALGraph));  
    G->n=n;  
    for (i=0; i<n; i++)                 //给邻接表中所有头节点的指针域置初值  
        G->adjlist[i].firstarc=NULL;  
    for (i=0; i<n; i++)                 //检查邻接矩阵中每个元素  
        for (j=n-1; j>=0; j--)  
            if (Arr[i*n+j]!=0)      //存在一条边,将Arr看作n×n的二维数组,Arr[i*n+j]即是Arr[i][j]  
            {  
                p=(ArcNode *)malloc(sizeof(ArcNode));   //创建一个节点*p  
                p->adjvex=j;  
                p->info=Arr[i*n+j];  
                p->nextarc=G->adjlist[i].firstarc;      //采用头插法插入*p  
                G->adjlist[i].firstarc=p;  
            }  
  
    G->e=count;  
}  
  
  
void MatToList(MGraph g,ALGraph *&G)//将邻接矩阵g转换成邻接表G  
{  
    int i,j;  
    ArcNode *p;  
    G=(ALGraph *)malloc(sizeof(ALGraph));  
    for (i=0; i<g.n; i++)                   //给邻接表中所有头节点的指针域置初值  
        G->adjlist[i].firstarc=NULL;  
    for (i=0; i<g.n; i++)                   //检查邻接矩阵中每个元素  
        for (j=g.n-1; j>=0; j--)  
            if (g.edges[i][j]!=0)       //存在一条边  
            {  
                p=(ArcNode *)malloc(sizeof(ArcNode));   //创建一个节点*p  
                p->adjvex=j;  
                p->info=g.edges[i][j];  
                p->nextarc=G->adjlist[i].firstarc;      //采用头插法插入*p  
                G->adjlist[i].firstarc=p;  
            }  
    G->n=g.n;  
    G->e=g.e;  
}  
  
  
void ListToMat(ALGraph *G,MGraph &g)//将邻接表G转换成邻接矩阵g  
{  
    int i,j;  
    ArcNode *p;  
    for (i=0; i<g.n; i++)   //先初始化邻接矩阵  
        for (j=0; j<g.n; j++)  
            g.edges[i][j]=0;  
    for (i=0; i<G->n; i++)  //根据邻接表,为邻接矩阵赋值  
    {  
        p=G->adjlist[i].firstarc;  
        while (p!=NULL)  
        {  
            g.edges[i][p->adjvex]=p->info;  
            p=p->nextarc;  
        }  
    }  
    g.n=G->n;  
    g.e=G->e;  
}  
  
  
void DispMat(MGraph g)//输出邻接矩阵g  
{  
    int i,j;  
    for (i=0; i<g.n; i++)  
    {  
        for (j=0; j<g.n; j++)  
            if (g.edges[i][j]==INF)  
                printf("%3s","∞");  
            else  
                printf("%3d",g.edges[i][j]);  
        printf("\n");  
    }  
}  
  
  
void DispAdj(ALGraph *G)//输出邻接表G  
{  
    int i;  
    ArcNode *p;  
    for (i=0; i<G->n; i++)  
    {  
        p=G->adjlist[i].firstarc;  
        printf("%3d: ",i);  
        while (p!=NULL)  
        {  
            printf("-->%d/%d ",p->adjvex,p->info);  
            p=p->nextarc;  
        }  
        printf("\n");  
    }  
}  

2.main.cpp

#include <stdio.h>  
#include <malloc.h>  
#include "graph.h"  
#define MaxSize 100  
typedef struct  
{  
    int u;     //边的起始顶点  
    int v;     //边的终止顶点  
    int w;     //边的权值  
} Edge;  
  
void InsertSort(Edge E[],int n) //对E[0..n-1]按递增有序进行直接插入排序  
{  
    int i,j;  
    Edge temp;  
    for (i=1; i<n; i++)  
    {  
        temp=E[i];  
        j=i-1;              //从右向左在有序区E[0..i-1]中找E[i]的插入位置  
        while (j>=0 && temp.w<E[j].w)  
        {  
            E[j+1]=E[j];    //将关键字大于E[i].w的记录后移  
            j--;  
        }  
        E[j+1]=temp;        //在j+1处插入E[i]  
    }  
}  
  
void Kruskal(MGraph g)  
{  
    int i,j,u1,v1,sn1,sn2,k;  
    int vset[MAXV];  
    Edge E[MaxSize];    //存放所有边  
    k=0;                //E数组的下标从0开始计  
    for (i=0; i<g.n; i++)   //由g产生的边集E  
        for (j=0; j<g.n; j++)  
            if (g.edges[i][j]!=0 && g.edges[i][j]!=INF)  
            {  
                E[k].u=i;  
                E[k].v=j;  
                E[k].w=g.edges[i][j];  
                k++;  
            }  
    InsertSort(E,g.e);      //采用直接插入排序对E数组按权值递增排序  
    for (i=0; i<g.n; i++)   //初始化辅助数组  
        vset[i]=i;  
    k=1;    //k表示当前构造生成树的第几条边,初值为1  
    j=0;    //E中边的下标,初值为0  
    while (k<g.n)       //生成的边数小于n时循环  
    {  
        u1=E[j].u;  
        v1=E[j].v;      //取一条边的头尾顶点  
        sn1=vset[u1];  
        sn2=vset[v1];   //分别得到两个顶点所属的集合编号  
        if (sn1!=sn2)   //两顶点属于不同的集合  
        {  
            printf("  (%d,%d):%d\n",u1,v1,E[j].w);  
            k++;                     //生成边数增1  
            for (i=0; i<g.n; i++)   //两个集合统一编号  
                if (vset[i]==sn2)   //集合编号为sn2的改为sn1  
                    vset[i]=sn1;  
        }  
        j++;               //扫描下一条边  
    }  
}  
  
   
  
int main()  
{  
    MGraph g;  
    int A[6][6]=  
    {  
        {0,6,1,5,INF,INF},  
        {6,0,5,INF,3,INF},  
        {1,5,0,5,6,4},  
        {5,INF,5,0,INF,2},  
        {INF,3,6,INF,0,6},  
        {INF,INF,4,2,6,0}  
  
   };  
  
    ArrayToMat(A[0], 6, g);  
    printf("最小生成树构成:\n");  
    Kruskal(g);  
    return 0;  
  
}  
运行结果

知识点总结:
  克鲁斯卡尔算法。我的理解是根据权值的大小一次选取边构成最小生成树,不能形成回路
学习心得:
  算法和图也不能结合起来

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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