并查集解释

并查集是一种重要的数据结构,常用于处理集合合并与查询问题。本文介绍了并查集的概念,通过一棵树形象地展示了其结构,指出每个点只知其父节点,并在路径压缩算法中提高查找效率。接着,详细说明了算法实现,包括查找根节点的`uninonsearch`函数和合并集合的`join`函数。最后,通过一个城镇交通状况的例子阐述了并查集的应用,即解决最少需要建设多少条道路的问题。

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

并查集是算法中非常重要的概念也是常用的一个结构
网上看到我觉得最好的是https://blog.youkuaiyun.com/niushuai666/article/details/6662911,也就是我参考的博文
我用自己的语言删减了一下进行记录。

并查集的概念

并查集可以生动的用下图表示。
可以看到是一颗颗的树(图),任意两点可以相互访问的是一类
一般来说,每个点只知道自己的父节点是什么。最远祖先(树的根节点)的父节点是自身。最远祖先相同的两个节点属于同一个集合。
两个集合合并,只需要两个点分别来自两个集合,彼此可以访问,那两个集合就都联通了。

在这里插入图片描述

算法实现

那么算法需要实现的部分:
pre[]数组: 用于储存这个节点的父节点。
int uninonsearch(int root) :查找根节点
void join(int root1, int root2) :将root1和root2所属的两个集合合并
因为树可能会变得特别深,不利于查找,所以需要一个路径压缩算法实现下图:其实就是在寻找根节点过程中途径的所有节点的父亲设置为根节点。
在这里插入图片描述

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
using namespace std;
int pre[1010]; 
<think>嗯,用户想了解并查集的概念和用法。首先,我得回忆一下并查集的基本定义。并查集,Union-Find,是一种处理不相交集合的数据结构,主要用于合并集合和查询元素所属集合。核心操作包括find和union,可能还有路径压缩和按秩合并的优化。 接下来要解释清楚并查集的结构。通常用数组或哈希表来存储每个元素的父节点,初始时每个元素都是自己的根。find操作是找到根节点,而union则是合并两个集合。需要举例说明,比如处理图的连通性问题,或者朋友圈问题。 然后要讲使用方法,比如初始化、查找、合并的步骤。可能需要用代码示例,比如Java或Python的实现。用户给的示例中有提到路径压缩和按秩合并,所以得详细说明这些优化如何提高效率。 还要考虑用户可能的应用场景,比如Kruskal算法中的最小生成树,或者社交网络中的朋友关系。这部分可以结合引用中的内容,比如动态树或图的存储优化,不过并查集本身的应用更基础。 用户提供的引用1提到了动态树和图的存储优化,引用2是关于带权并查集的,引用3是代码地址。我需要确保回答中的引用正确,比如在路径压缩部分加上引用2,或者在应用场景提到动态树时引用1。 另外,用户可能想知道如何实际编码并查集,所以给出一个Java或Python的示例会好。比如初始化父数组,find函数,union函数,然后以LeetCode题目为例,比如547省份数量,展示如何使用并查集解决问题。 最后,生成相关问题时要覆盖概念、优化、应用和题目,如比较其他数据结构,优化方法,实际应用,以及常见题目。</think>### 并查集概念与用法详解 #### 一、基本概念 **并查集(Union-Find)** 是一种用于管理 **不相交集合** 的数据结构,支持以下两种核心操作: 1. **查询(Find)**:判断两个元素是否属于同一集合(通过根节点是否相同实现)。 2. **合并(Union)**:将两个不相交的集合合并为一个。 其底层通常通过 **数组或哈希表** 实现,每个元素指向其父节点,形成树结构。初始状态下,每个元素独立为一个集合,父节点指向自己。 #### 二、核心操作与优化 ##### 1. 基础实现 - **初始化**:每个元素的父节点指向自身,例如:$p[x] = x$。 - **查询操作(Find)**:递归或迭代查找元素的根节点。 ```python def find(x): if p[x] != x: return find(p[x]) return x ``` - **合并操作(Union)**:将两个集合的根节点连接。 ```python def union(x, y): root_x = find(x) root_y = find(y) if root_x != root_y: p[root_y] = root_x # 将y的根节点指向x的根节点 ``` ##### 2. 优化方法 - **路径压缩**:在查询时缩短树的高度,使后续操作更快[^2]。 ```python def find(x): if p[x] != x: p[x] = find(p[x]) # 直接指向根节点 return p[x] ``` - **按秩合并**:根据树的高度或大小决定合并方向,避免退化为链表。 #### 三、应用场景 1. **图的连通性判断**:例如判断无向图中两个节点是否连通。 2. **Kruskal算法**:动态维护最小生成树的边集合[^1]。 3. **社交网络**:快速判断用户是否属于同一朋友圈。 4. **动态等价类划分**:如变量别名管理。 #### 四、示例代码(LeetCode 547. 省份数量) ```python class UnionFind: def __init__(self, size): self.parent = list(range(size)) self.count = size # 初始集合数量 def find(self, x): if self.parent[x] != x: self.parent[x] = self.find(self.parent[x]) # 路径压缩 return self.parent[x] def union(self, x, y): root_x = self.find(x) root_y = self.find(y) if root_x != root_y: self.parent[root_y] = root_x self.count -= 1 def findCircleNum(isConnected): n = len(isConnected) uf = UnionFind(n) for i in range(n): for j in range(n): if isConnected[i][j] == 1: uf.union(i, j) return uf.count ``` 此代码通过并查集统计无向图中连通分量的数量,时间复杂度接近 $O(n \alpha(n))$($\alpha$为阿克曼函数的反函数)。 #### 五、性能对比 | 操作 | 无优化时间复杂度 | 带优化的时间复杂度 | |---------------|------------------|--------------------| | Find | $O(\log n)$ | $O(\alpha(n))$ | | Union | $O(\log n)$ | $O(\alpha(n))$ |
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