CSP201412-4(kruskal裸题)

该博客详细介绍了如何解决CSP201412-4问题,强调这是一道典型的最小生成树(Minimum Spanning Tree, MST)题目,可以使用Prim或Kruskal算法。博主选择了Kruskal算法,并以并查集判断麦田数目是否等于总数来结束循环。" 109192125,9727859,重排链表:找到中间结点并翻转后续部分,"['链表操作', '数据结构', '算法题解', 'LeetCode', '递归']

在这里插入图片描述
完全就是一道不带拐弯的minimum spanning tree,prim或kruskal都可以,这里我选择了kruskal。
以并查集1中的麦田数目是否等于麦田总数作为循环跳出条件。

#include <iostream>//考虑用set,但是需要重载运算符,不如用vector算了
#include <vector>
#include <algorithm>
using namespace std;
struct ROAD{
	int vt1,vt2;
	int cost;
};
bool cmp(ROAD a,ROAD b){
	return a.cost<b.cost;
} 
int order=1; 
vector<int> flag(1001);
vector<ROAD> r;
int main(){
	int n,m;
	cin>>n>>m;
	while (m--){
		ROAD d;
		int v1,v2,c;
		scanf ("%d%d%d",&v1,&v2,&c);
		d.vt1=v1;
		d.vt2=v2;
		d.cost=c;
		r.push_back(d);
	}
	sort(r.begin(),r.end(),cmp);
	long long ttcost=0;
	int f=0;
	auto pos=r.begin();
	while (f<n){
		if (!flag[pos->vt1]&&!flag[pos->vt2]){
			ttcost+=pos->cost;
			if (order==1) f+=2;
			flag[pos->vt1]=flag[pos->vt2]=order;
			order++;
		}
		else if (!flag[pos->vt1]){
			ttcost+=pos->cost;
			flag[pos->vt1]=flag[pos->vt2];
			if (flag[pos->vt2]==1) f++;
		}
		else if (!flag[pos->vt2]){
			ttcost+=pos->cost;
			flag[pos->vt2]=flag[pos->vt1];
			if (flag[pos->vt2]==1) f++;
		}
		else if(flag[pos->vt1]!=flag[pos->vt2]){
			ttcost+=pos->cost;
			bool hasone=false;
			int change;
			int needchange;
			if (flag[pos->vt1]==1||flag[pos->vt2]==1){
				change=1;
				flag[pos->vt1]==1 ? needchange=flag[pos->vt2] : needchange=flag[pos->vt1];
				hasone=true;
			}
			else {
				change=flag[pos->vt1];
				needchange=flag[pos->vt2];
			}
			if (hasone){
				for (int i=1;i<=n;i++){
					if (flag[i]==needchange) {
						flag[i]=change;
						f++;
					}
				}
			}
			else
				for (int i=1;i<=n;i++){
					if (flag[i]==needchange) {
						flag[i]=change;
					}
				}
		}
		pos++;
	}
	printf ("%lld",ttcost);
}
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,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
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