图论模板-最小生成树

Prim与Kruskal算法详解

(1)prim

*时间复杂度O(n^2);
*最小生成树;
*稠密图适用;
*与dijskra仅有一行有区别;

int d[10010],dis[10010][10010];
bool vis[10010];
int x,y,len,n,m;

void prim(int s)
{
	memset(vis,0,sizeof(vis));
	for (int i=1;i<=n;i++) d[i]=dis[s][i];
	vis[s]=1; d[s]=0;
	for (int i=1;i<n;i++)
	{
		int mn=inf;
		int k=0;
		for (int j=1;j<=n;j++)
		  if (!vis[j]&&d[j]<mn)
		    mn=d[j],k=j;
		vis[k]=1;
		for (int j=1;j<=n;j++)
		  if (!vis[j])
		    d[j]=min(d[j],dis[k][j]); //唯一的区别==; 
	}
}

int main()
{
	scanf("%d%d",&n,&m);
	memset(dis,0x3f,sizeof(dis));
	for (int i=1;i<=m;i++)
	{
		scanf("%d%d%d",&x,&y,&len);
		dis[x][y]=len;
	}
	for (int i=1;i<=n;i++) dis[i][i]=0;
	prim(1);
	long long ans=0;
	for (int i=2;i<=n;i++) ans+=d[i];
	printf("%d",ans);
	return 0;	
}
(2)kruscal

*时间复杂度O(mlogm+na(n)),a(n)表示并查集常数; 
*基于贪心和并查集思想; 
*stl快排一遍后从小到大加边;

int num=0,x,y,len;
int fa[100001];
struct mc
{
	int x,y,len;
	bool operator< (const mc b) const
	{
		return len<b.len;
	}
}e[100010];

void put(int x,int y,int len)
{
	num++;
	e[num].x=x;
	e[num].y=y;
	e[num].len=len;
}

int get(int x)
{
	if (fa[x]==x) return x;
	else return get(fa[x]);
}

int main()
{
	int n,m;
	scanf("%d%d",&n,&m);
	for (int i=1;i<=m;i++)
	{
		scanf("%d%d%d",&x,&y,&len);
		put(x,y,len);
	}
	sort(e+1,e+num+1);
	for (int i=1;i<=n;i++) fa[i]=i;
	long long total=0,ans=0;
	for (int i=1;i<=num;i++)
	{
		int f1=get(e[i].x);
		int f2=get(e[i].y);
		if(f1!=f2)
		{
			fa[f1]=f2;
			total++;
			ans+=e[i].len;
			if (total==n-1) break;
		}
	}
	printf("%d",ans);
}


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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