POJ 1236 洛谷 2746 Network of Schools 学校网络#kosaraju#

本文介绍了一种使用Kosaraju算法求解图中强连通分量的方法,并进一步探讨了如何计算这些强连通分量的入度和出度。特别地,文章详细解释了如何找到入度为0和出度为0的强连通分量。

题目

求入度为0的强连通分量和出度为0的强连通分量。


分析

用kosaraju,再求每个强连通分量的入度和出度。


代码

#include <cstdio>
#include <cstring>
#include <cctype>
#include <algorithm>
using namespace std;
int n,m,ans,x,f[101],inn,oun,ind[101],in[101],out[101]; bool v[101],a[101][101];
int ing(){
    int ans=0; char c=getchar();
    while (!isdigit(c)) c=getchar();
    while (isdigit(c)) ans=ans*10+c-48,c=getchar();
    return ans;
}
void dfs1(int x){
    v[x]=1;
    for (int i=1;i<=n;i++)
    if (a[x][i]&&!v[i]) dfs1(i);
    f[++m]=x;
}
void dfs2(int x){
    v[x]=1; ind[x]=ans;
    for (int i=1;i<=n;i++)
    if (a[i][x]&&!v[i]) dfs2(i);
}
void kosaraju(){
	for (int i=1;i<=n;i++)
	for (int j=1;j<=n;j++)
	if (a[i][j]&&ind[i]!=ind[j]){//两点连通且不属于同一个连通图
		in[ind[j]]++;//入度
		out[ind[i]]++;//出度
	}
	for (int i=1;i<=ans;i++) inn+=(!in[i]),oun+=(!out[i]);//入度为0,出度为0
	printf("%d\n%d",inn,max(inn,oun));
}
int main(){
    n=ing();
    for (int i=1;i<=n;i++) while (x=ing(),x) a[i][x]=1; 
    for (int i=1;i<=n;i++) if (!v[i]) dfs1(i); memset(v,0,sizeof(v));
    for (int i=m;i>=1;i--) if (!v[f[i]]) ans++,dfs2(f[i]); memset(v,0,sizeof(v));
    if (ans==1) printf("1\n0");//说明强连通分量的出度为0
    else kosaraju();
    return 0;
}
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
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