[topcoder]BestRoads

本文探讨了最小生成树的概念及其Kruskal算法的应用,特别关注了并查集在实现过程中的作用。通过解析TopCoder竞赛中的具体问题,展示了如何高效地使用并查集进行边的合并,最终确定最小生成树。同时,文章还介绍了如何通过简单地链式实现并查集来优化复杂度,并讨论了返回空数组的特殊情况。

http://community.topcoder.com/stat?c=problem_statement&pm=10172&rd=13515

http://community.topcoder.com/tc?module=Static&d1=match_editorials&d2=srm424

这道题目是和最小生成树有关。记得最小生成树的一个算法(容易实现的那个),Kruskal,要用到并查集。想想就是以边为主,那么才可能形成多个边的集合,然后再合并。
并查集的n次合并查找的复杂度是o(n)。TopCoder的思想似乎主要是快速实现解决问题,对复杂度的要求一般,所以这里简单的链式实现就够用了,复杂度是一次合并o(n)(果然比之前好的数据结构复杂度大大增加啊)。
另外返回一个空的数组是直接return new int[]{}就行了。

public class BestRoads
{
    public int[] numberOfRoads(String[] roads, int M)
    {
        int N = roads.length;
        char[][] matrix = new char[N][N];
        for (int i = 0; i < N; i++)
        {
            matrix[i] = roads[i].toCharArray();
        }
        
        int id[] = new int[N]; // simple joint-set
        for (int i = 0; i < N; i++)
        {
            id[i] = i;
        }
        int deg[] = new int[N];
        int CmpCnt = 0;
        for (int i = 0; i < N; i++)
        {
            for (int j = i+1; j < N; j++)
            {
                if (matrix[i][j] == 'N' || id[i] == id[j]) continue;
                int idi = id[i]; int idj = id[j];
                matrix[i][j] = 'N'; matrix[j][i] = 'N';
                deg[i]++; deg[j]++;
                M--; CmpCnt++;
                for (int t = 0; t < N; t++)
                {
                    if (id[t] == idi) id[t] = idj;
                }
            }
        }
        if (CmpCnt != N-1) return new int[]{}; // not connected;
        
        for (int i = 0; i < N && M > 0; i++)
        {
            for (int j = i+1; j < N && M > 0; j++)
            {
                if (matrix[i][j] == 'Y')
                {
                    matrix[i][j] = 'N';
                    matrix[j][i] = 'N';
                    deg[i]++; deg[j]++;
                    M--;
                }
            }
        }
        if (M > 0) return new int[]{};
        return deg;
    }
}

 

转载于:https://www.cnblogs.com/lautsie/p/3341931.html

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  | 博主筛选后可见
 
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