tarjan lca

GeneralLiu

 

一种离线求最近公共祖先方法

 

离线

 即在有好多询问情况下

 记录所有询问

 一起处理,一起回答

 相对的

 在线

 即在有好多询问情况下

 每询问一次

 处理一次,回答一次

涉及并查集

 

这个博客,tarjan 写的很详细

 

步骤

 

1 从根开始 tarjan (或者说dfs)

2 每dfs到一个点

  将它加入一个独立的集合 // fa[u]=u; fa[]为并查集数组,表示祖先

  枚举它的儿子 //for : son

  进行儿子的dfs // dfs(son)

3 枚举和它相关的询问 // for : the questions which is relates to the node

   如果 相关的 询问已经 被 dfs 了

 那么 这个询问 的答案 就是 询问点的 祖先

 

代码

 

#include<iostream>
#include<cstdio>
using namespace std;
int f[500010],qhead[500010],head[500010],n,m,s,vis[500010];

//记录树边 和 询问 (链式前向星)
struct Edge{
    int next,to;
}e[1000010];
struct qs{
    int next,to,ans;
}q[1000010];

void add(int x,int y,int k){
    e[k]=(Edge){head[x],y};
    head[x]=k;
}
void add1(int x,int y,int k){
    q[k]=(qs){qhead[x],y,0};
    qhead[x]=k;
}

int find(int k){//路径压缩
    if(f[k]==k)return k;
    return f[k]=find(f[k]);
}

void join(int a,int b){
    int fa=find(a),fb=find(b);
    if(fa!=fb)f[fa]=fb;
}

//tarjan 
void dfs(int k){
    vis[k]=1;
    for(int i=head[k];i;i=e[i].next){//步骤2
        if(!vis[e[i].to]){
            dfs(e[i].to);
            join(e[i].to,k);
            
        }
    }
    for(int j=qhead[k];j;j=q[j].next){//步骤3
        if(vis[q[j].to]==2){
            q[j].ans=find(q[j].to);
            if(j%2)q[j+1].ans=q[j].ans;
            else q[j-1].ans=q[j].ans;
        }
    }
    vis[k]=2;
}

int main(){
    scanf("%d%d%d",&n,&m,&s);
    for(int X,Y,i=1;i<n;i++){
        scanf("%d%d",&X,&Y);
        add(X,Y,i*2-1);//存两遍
        add(Y,X,i*2);
        f[i]=i;
    }
    f[n]=n;
    for(int x,y,i=1;i<=m;i++){
        scanf("%d%d",&x,&y);
        add1(x,y,i*2-1);//两遍
        add1(y,x,i*2);
    }
    dfs(s);//步骤1
    for(int i=1;i<=n;i++)printf("%d\n",q[i*2].ans);//存了两遍,两个一输出
    return 0;
}

 

转载于:https://www.cnblogs.com/1227xq/p/6784817.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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