左偏树 Leftist Tree

本文介绍了一种高效的数据结构——左偏树,它是一种特殊的二叉树,并详细解释了其定义、特点及应用。左偏树拥有O(logN)的时间复杂度优势,在合并操作上远超最小堆。文中还提供了具体的实现代码。

see: http://acm.sdut.edu.cn/bbs/read.php?tid=1177 黄源河:《左偏树的特点及其应用》

1. 定义:

左偏树(Leftist Tree)是一种可并堆的实现。左偏树是一棵二叉树,它的节点除了和二叉树的节点一样具有左右子树指针( left, right )外,还有两个属性:键值和距离(dist)。键值上面已经说过,是用于比较节点的大小。距离则是如下定义的:
节点i称为外节点(external node),当且仅当节点i的左子树或右子树为空 ( left(i) = NULL或right(i) = NULL );节点i的距离(dist(i))是节点i到它的后代中,最近的外节点所经过的边数。特别的,如果节点i本身是外节点,则它的距离为0;而空节点的距离规定为-1 (dist(NULL) = -1)。在本文中,有时也提到一棵左偏树的距离,这指的是该树根节点的距离。

2. 优点:

合并复杂度 O(log N)

最小堆的合并复杂度为O(N).

3. 代码:

#include <cstdio>
#include <algorithm>
using namespace std;

#define typec int

const int na = -1;

const int N = 1000;

struct node
{
	typec key;
	int l, r, f, dist;
}tr[N];

// find i's root
int iroot(int i)
{
	if(i == na)
	{
		return i;
	}
	while(tr[i].f != na) 
	{
		i = tr[i].f;
	}
	return i;
}

// two root: rx, ry
int merge(int rx, int ry)
{
	if(rx == na)
	{
		return ry;
	}

	if(ry == na)
	{
		return rx;
	}

	if(tr[rx].key > tr[ry].key)
	{
		swap(rx, ry);
	}

	int r = merge(tr[rx].r, ry);

	tr[rx].r = r;
	tr[r].f = rx;

	if(tr[r].dist > tr[tr[rx].l].dist)
	{
		swap(tr[rx].l, tr[rx].r);
	}

	if(tr[rx].r == na)
	{
		tr[rx].dist = 0;
	}
	else
	{
		tr[rx].dist = tr[tr[rx].r].dist + 1;
	}
	return rx;
}

// add a new node (i, key)
int ins(int i, typec key, int root)
{
	tr[i].key = key;
	tr[i].l = tr[i].r = tr[i].f = na;
	tr[i].dist = 0;
	return root = merge(root, i);
}

// delete node i
int del(int i)
{
	if(i == na)
	{
		return i;
	}

	int x, y, l, r;

	l = tr[i].l;
	r = tr[i].r;
	y = tr[i].f;

	tr[i].l = tr[i].r = tr[i].f = na;

	tr[x=merge(l,r)].f = y;

	if(y != na && tr[y].l == i)
	{
		tr[y].l = x;	
	}

	if(y != na && tr[y].r == i)
	{
		tr[y].r = x;	
	}

	for(; y != na; x = y, y = tr[y].f)
	{
		if(tr[tr[y].l].dist < tr[tr[y].r].dist)
		{
			swap(tr[y].l, tr[y].r);
		}
		if(tr[tr[y].r].dist + 1 == tr[y].dist)
		{
			break;
		}
		tr[y].dist = tr[tr[y].r].dist + 1;
	}

	if(x != na)
	{
		return iroot(x);
	}
	else
	{
		return iroot(y);
	}
}

node top(int root)
{
	return tr[root];
}

node pop(int &root)
{
	node out = tr[root];
	int l = tr[root].l, r = tr[root].r;
	tr[root].l = tr[root].r = tr[root].f = na;
	tr[l].f = tr[r].f = na;
	root = merge(l, r);
	return out;
}

int add(int i, typec val)
{
	if(i == na)
	{
		return i;
	}

	if(tr[i].l == na && tr[i].r == na && tr[i].f == na)
	{
		tr[i].key += val;
		return i;
	}

	typec key = tr[i].key + val;
	int rt = del(i);
	return ins(i, key, rt);
}

void init(int n)
{
	for(int i = 1; i < N; i++)
	{
		scanf("%d", &tr[i].key);
		tr[i].l = tr[i].r = tr[i].f = na;
		tr[i].dist = 0;
	}
}

// print the info of node i
void print(int i)
{
	printf("node %d : l-> %d, r-> %d, f-> %d, dist-> %d\n", i, tr[i].l, tr[i].r, tr[i].f, tr[i].dist);
}

int main()
{
	int root = na;
	for(int i = 1; i < 16; i++)
	{
		root = ins(i, i, root);
	}
	for(int i = 1; i < 16; i++)
	{
		print(i);
	}
	del(1);
	for(int i = 1; i < 16; i++)
	{
		print(i);
	}

	return 0;
}
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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