图论-最短路

单源最短路

所有顶点对间最短路

  • Floyd-Warshall
#include<cstdio>
int e[10010][10010];//二维数组e用于记录图 
int main()
{
	int n,m,u,v,w;//n表示有多少个点,m表示有多少条边
				  //u为一条边的起点,v为一条边的终点,w为一条边的权值 
	const int inf=99999999;//表示无穷大 
	scanf("%d %d",&n,&m);
	for(int i=1;i<=n;i++)//初始化图 
		for(int j=1;j<=n;j++)
			if(i==j)
				e[i][j]=0;
		else e[i][j]=inf;
	for(int i=1;i<=m;i++)//读入图 
	{
		scanf("%d %d %d",&u,&v,&w);
		e[u][v]=w;
	}
	//算法核心,通过中转点来松弛从起点i到终点j的边 
	for(int k=1;k<=n;k++)//选择中转点
		for(int i=1;i<=n;i++)//选择起点 
			for(int j=1;j<=n;j++)//选择终点 
				if(e[i][j]>e[i][k]+e[k][j])
					e[i][j]=e[i][k]+e[k][j];
	for(int i=1;i<=n;i++)
	{
		for(int j=1;j<=n;j++)
		{
			printf("%10d",e[i][j]);
		}
		printf("\n");
	}
	return 0;
}

单源最短路

  • Dijkstra
#include<iostream>
using namespace std;
int e[1010][1010],dis[1010],book[1010];//二维数组e用于记录图,
									   //数组dis[i]用于记录i点到源点的距离
									   //数组book[i]用于标记i点 
int inf=99999999;
int main()
{
	int n,m,u,v,w;//n表示顶点数目,m表示边数目
				  //u表示起点,v表示终点,w表示边的权值 
	cin>>n>>m;
	//初始化 
	for(int i=1;i<=n;i++)
	{
		dis[i]=e[1][i];
		book[i]=0;
	}
	for(int i=1;i<=n;i++)
		for(int j=1;j<=n;j++)
			if(i==j)
				e[i][j]=0;
			else
				e[i][j]=inf;
	for(int i=1;i<=m;i++)
	{
		cin>>u>>v>>w;
		e[u][v]=w;
	}
	//算法核心
	book[1]=1;//选择1点为源点 
	int min,k; 
	//最多确定n-1次,即每次最少确定一个点
	for(int i=1;i<=n-1;i++)
	{
		//选择最短边 
		min=inf;
		for(int j=1;j<=n;j++)
		{
			if(book[j]==0&&e[i][j]<min)
			{
				min=e[i][j];
				k=j;//用k记录最短边的终点 
			}
		}
		book[k]=1;//标记k点表示从源点到k点的边不用再松弛 
		//松弛 
		for(int j=1;j<=n;j++)
		{
			if(e[k][j]<inf)
			{
				if(dis[j]>dis[k]+e[k][j])
					dis[j]=dis[k]+e[k][j];
			}
		}
	}
	for(int i=1;i<=n;i++)
		cout<<dis[i]<<"\n";
	return 0;
}
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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