【图论05】并查集 1003 Is It A Tree?

本文介绍了一种使用并查集判断给定图是否为树的算法。通过确保图无环且连通,并且只有一个根节点来判断。文章提供了一个完整的C++实现示例,包括初始化、查找和合并操作。

算法思路:并查集,判断连通并且无环,只有一个0入度顶点。

无环条件:边数 + 1 = 顶点数。

连通条件:只有1个或者0个(回路)顶点满足 next_node[j] == j && flag[j] != 0。


//模板开始
#include <string>   
#include <vector>   
#include <algorithm>   
#include <iostream>   
#include <sstream>   
#include <fstream>   
#include <map>   
#include <set>   
#include <cstdio>   
#include <cmath>   
#include <cstdlib>   
#include <ctime>
#include<iomanip>
#include<string.h>
#define SZ(x) (int(x.size()))
using namespace std;

int toInt(string s){
	istringstream sin(s); 
	int t; 
	sin>>t; 
	return t;
}
template<class T> string toString(T x){
	ostringstream sout; 
	sout<<x; 
	return sout.str();
}
typedef long long int64;
int64 toInt64(string s){
	istringstream sin(s); 
	int64 t; 
	sin>>t;
	return t;
}
template<class T> T gcd(T a, T b){ 
	if(a<0) 
		return gcd(-a, b);
	if(b<0) 
		return gcd(a, -b);
	return (b == 0)? a : gcd(b, a % b);
}
//模板结束(通用部分)

#define ifs cin


int findset(int x, int pa[])
{
	return pa[x] != x ? pa[x] = findset(pa[x], pa) : x;
}

//【图论05】并查集 1003 Is It A Tree?
#define MAX_SIZE 100005
int next_node[MAX_SIZE];		//存储有向图的边
int in[MAX_SIZE];		//存储节点的入度
int out[MAX_SIZE];		//存储节点的出度
int flag[MAX_SIZE];		//标记节点是否存在

void init()		//初始化
{
	for(int i = 0; i < MAX_SIZE; i++)
	{
		next_node[i] = i;
	}
	memset(in, 0, sizeof(in));
	memset(out, 0, sizeof(out));
	memset(flag, 0, sizeof(flag));
}

int findset(int a)		//找元素所在集合的代表元(因为用了路径压缩,路径压缩的主要目的是为了尽快的确定元素所在的集合)
{
	while(next_node[a] != a)
	{
		a = next_node[a];
	}
	return a;
}

void union_nodes(int a, int b)		//集合合并
{
	int a1 = findset(a);
	int b1 = findset(b);
	next_node[a1] = b1;
}

int main()
{
	//ifstream ifs("shuju.txt", ios::in);
	int m, n;
	int cases = 0;
	while(ifs>>m>>n && !(m < 0 && n < 0))
	{
		cases++;
		if(m == 0 && n == 0)
		{
			cout<<"Case "<<cases<<" is a tree."<<endl;

			continue;
		}

		int bianshu = 0;
		init();
		bianshu++;
		union_nodes(m, n);
		out[m]++;
		in[n]++;
		flag[m]++;
		flag[n]++;

		while(ifs>>m>>n && !(m == 0 && n == 0))		//输入数据,建立有向图,并合并相关集合
		{
			//int a = data[0] - 'a';
			//int b = data[strlen(data) - 1] - 'a';
			bianshu++;
			union_nodes(m, n);
			out[m]++;
			in[n]++;
			flag[m]++;
			flag[n]++;
		}

		int count = 0;
		for(int j = 0; j < MAX_SIZE; j++)		//计算有向图中连通分支的个数
		{
			if(next_node[j] == j && flag[j] != 0)
			{
				count++;
			}
		}

		int root = 0;
		for(int j = 0; j < MAX_SIZE; j++)
		{
			if(in[j] == 0 && flag[j] != 0)
			{
				root++;
			}
		}

		if(root >= 2)
		{
			cout<<"Case "<<cases<<" is not a tree."<<endl;
			continue;
		}

		int jiedianshu = 0;
		for(int j = 0; j < MAX_SIZE; j++)
		{
			if(flag[j] != 0)
			{
				jiedianshu++;
			}
		}

		if(jiedianshu == 1)
		{
			cout<<"Case "<<cases<<" is not a tree."<<endl;

		}

		if(count == 1 && jiedianshu == bianshu + 1)
		{
			cout<<"Case "<<cases<<" is a tree."<<endl;

		}
		else
		{
			cout<<"Case "<<cases<<" is not a tree."<<endl;

		}
	}

	return 0;
}


<think>好的,我现在需要帮助用户理解如何使用并查集来合并树结构的实现。首先,用户可能已经知道并查集的基本概念,但需要具体的实现步骤和示例。根据用户提供的引用,特别是引用[1]和[4],我需要先回顾并查集的核心操作:查找和合并。 接下来,用户提到“合并树结构”,这可能涉及并查集中的合并操作。我需要解释路径压缩和按秩合并这两种优化方法,因为这是高效实现的关键。引用[2]中提到的Link/Cut Tree虽然相关,但用户的问题更偏向并查集,所以暂时不需要深入动态树结构。 然后,我需要考虑如何用代码示例来展示并查集的实现。Python是一个常用的语言,用户提供的示例也是Python,所以用Python代码会更合适。需要确保代码包括初始化、查找、合并和检查连通性的方法,并且应用路径压缩和按秩优化。 还要注意用户引用的资料中提到的时间复杂度,引用[2]提到Link/Cut Tree的复杂度是O(log n),但并查集在优化后也能达到接近的时间效率。这点需要强调,以显示并查集的优势。 可能用户的实际应用场景是什么?比如图论中的连通性问题,或者网络连接,这些可以作为示例应用场景。需要给出具体的例子,比如判断图的连通分量,这样用户更容易理解。 最后,生成的相关问题需要围绕并查集的扩展应用、其他优化方法以及与类似数据结构的比较,如引用[3]中的树状数组,但这里应专注于并查集本身。</think>### 并查集合并树结构的实现 #### 1. 并查集的核心设计原理 并查集通过**树结构**表示集合,每个节点指向其父节点,根节点指向自身。合并两棵树时,直接将一棵树的根指向另一棵树的根。关键优化包括: - **路径压缩**:查找时缩短树的高度(查找时间复杂度降至$O(\alpha(n))$,接近常数) - **按秩合并**:总将较小树的根合并到较大树的根下(维持树高度平衡)[^1][^4] #### 2. Python实现示例 ```python class UnionFind: def __init__(self, size): self.parent = list(range(size)) # 初始化每个节点的父节点为自身 self.rank = [0] * size # 初始化秩(树高度) def find(self, x): # 路径压缩:查找过程中将路径上的节点直接连接到根 if self.parent[x] != x: self.parent[x] = self.find(self.parent[x]) return self.parent[x] def union(self, x, y): # 按秩合并:将低秩树的根指向高秩树的根 root_x = self.find(x) root_y = self.find(y) if root_x == root_y: return # 已连通 if self.rank[root_x] > self.rank[root_y]: self.parent[root_y] = root_x else: self.parent[root_x] = root_y if self.rank[root_x] == self.rank[root_y]: self.rank[root_y] += 1 # 合并后秩增加 def is_connected(self, x, y): return self.find(x) == self.find(y) ``` #### 3. 应用示例:判断图的连通分量 假设有节点$0,1,2,3,4$,初始时各自独立。合并操作如下: - `union(0,1)` → 形成树$0-1$ - `union(2,3)` → 形成树$2-3$ - `union(1,3)` → 合并为$0-1-3-2$ - `union(3,4)` → 最终所有节点连通 此时`is_connected(0,4)`返回`True`,时间复杂度仅$O(\alpha(n))$ #### 4. 对比其他结构 与动态树(如Link/Cut Tree)相比,并查集: - **优势**:实现简单,适合静态或增量式合并 - **局限**:不支持树的动态拆分操作(需回退时需用更复杂的可撤销并查集)[^2]
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