POJ2513——Trie+欧拉通路+并查集

构建欧拉通路图解题
本文介绍了一种利用图论中的欧拉通路概念解决特定编程问题的方法。通过建立颜色对应节点的图,并使用Trie树进行字符串映射,确保了图的正确构建。最终,通过检查图的连通性和节点度数来判断是否能形成欧拉通路,从而得出题目答案。

题目传送门
这道题的意思就是给N根木棒,木棒的首尾两端有两种颜色。如果木棒A的一端的颜色和木棒B的一端的颜
色相同,那就可以把这两端接起来。题目求能否将所有木棒接成一条链。
题解:
我们将每一种颜色建一个点,若木棒A两端的颜色为x,y,则把x点和y点相连。如果建完图后整张图联通且
为欧拉通路,则输出Possible,否则输出Impossible。
这道题思路十分简单,但是操作比较复杂。因为读入的颜色是字符串,所以我们需要将字符串映射成数
字,但是这道题十分猥琐,题目的数据可以完美地卡掉map,而且hash也会被卡得飞起,所以这里只能用
Trie。我们用Trie操作每一个读入的字符串,然后用一个值来映射。
那么怎么判断是否是欧拉通路呢?
这里有一个定理:如果一张无向图里,所有的点度数为偶数,或只有2个点度数为奇数,则这张图是欧拉通路。 所以我们只要统计度数即可。如果整张图不连通(比如有两个连通块),那肯定输出Impossible,
我们只需要用并查集记录每一个点的父亲节点,如果全部相同,则在同一连通块中。

Code:

#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<string>
#include<iostream>
#define MAXN 500005
using namespace std;
int fa[MAXN],in[MAXN];
int find(int x){
	if(fa[x]!=x) fa[x]=find(fa[x]);
	return fa[x];
}
void unionn(int x,int y){
	int fx=find(x),fy=find(y);
	fa[fy]=fx;
}
struct node{
	char c;
	int to,re;
}L[MAXN*50];
int head[MAXN*50],nxt[MAXN*50],cnt,rec,tot=1,p1,p2;
string s1,s2;
void add(int x,int y,char c,int val){
	L[cnt].to=y;L[cnt].c=c;L[cnt].re=val;
	nxt[cnt]=head[x];head[x]=cnt;cnt++;
}
int main()
{
	memset(head,-1,sizeof head);
	for(int i=1;i<=MAXN-1;i++) fa[i]=i;
	while(cin>>s1>>s2){
		int pl=1,l=s1.length();
		for(int i=0;i<l;i++){
			int re=0;
			for(int j=head[pl];j!=-1;j=nxt[j]){
				if(L[j].c==s1[i]){
					re=1;
					pl=L[j].to;
					if(i==l-1){
						if(L[j].re) p1=L[j].re;
						else p1=++rec,L[j].re=rec;
					}
					break;
				}
			}
			if(!re){
				if(i==l-1) add(pl,++tot,s1[i],++rec),p1=rec;
				else add(pl,++tot,s1[i],0);
				pl=tot;
			}
		}
		pl=1,l=s2.length();
		for(int i=0;i<l;i++){
			int re=0;
			for(int j=head[pl];j!=-1;j=nxt[j]){
				if(L[j].c==s2[i]){
					re=1;
					pl=L[j].to;
					if(i==l-1){
						if(L[j].re) p2=L[j].re;
						else p2=++rec,L[j].re=rec;
					}
					break;
				}
			}
			if(!re){
				if(i==l-1) add(pl,++tot,s2[i],++rec),p2=rec;
				else add(pl,++tot,s2[i],0);
				pl=tot;
			}
		}
		unionn(p1,p2);
		in[p1]++;in[p2]++;
	}
	int re=0,s=find(1);
	for(int i=2;i<=rec;i++) if(find(i)!=s){re=1;break;}
	if(re){
		puts("Impossible");return 0;
	}
	re=0;
	for(int i=1;i<=rec;i++) if(in[i]%2==1) re++;
	if(re==0||re==2) puts("Possible");
	else puts("Impossible");
	return 0;
}

今天早上状态很迷,居然忘了把Trie打在void里面,导致整个程序超级臃肿。
而且里面有一句话:for(int i=1;i<=MAXN-1;i++) fa[i]=i;
我刚开始打成for(int i=1;i<=MAXN;i++) fa[i]=i;RE了一早上

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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