HDU1272(并查集)


#include<iostream>
#include<stdio.h>
using namespace std;

int mark[100005];
int f[100005];
int flag;

int find(int a)
{
	int r=a;
	while(r!=f[r])
		r=f[r];
	int i=a;
	int j;
	while(i!=r)
	{
		j=f[i];
		f[i]=r;
		i=j;
	}
	return r;
}

void unite(int a,int b)
{
	int A,B;
	A=find(a);
	B=find(b);
	if(A!=B)
	{
		f[A]=f[B];
	}
	else
	{
		flag=0;  //有多条路径
	}
}

int main()
{
	int a,b;
	while(cin>>a>>b)
	{
		if(a==0&&b==0)
		{
			cout<<"Yes"<<endl;
			continue;
		}
		if(a==-1&&b==-1)
		{
			break;
		}
		for(int i=1;i<100005;i++)
		{
			mark[i]=0; f[i]=i;
		}
		unite(a,b);
		mark[a]=mark[b]=1;
		flag=1;
		while(cin>>a>>b)
		{
			if(a==0&&b==0)
				break;
			mark[a]=mark[b]=1;
			unite(a,b);
		}
		if(flag==0)
		{
			cout<<"No"<<endl;
			continue;
		}
		int count=0;
		for(int j=1;j<100005;j++)
		{
			if(mark[j]&&f[j]==j)
			{
				count++;
			}
		}
		if(count==1)
			cout<<"Yes"<<endl;
		else
			cout<<"No"<<endl;
	}
	
	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