[并查集]校OJ-亲戚

这是一篇关于使用并查集解决亲戚关系查询的博客。题目描述了在一个包含n个人和m个关系的场景中,通过k个关系(x,y)来判断两人是否互为亲戚。博主分享了通过并查集算法实现的思路,即判断find(x)和find(y)是否相等来确定两者关系。" 113841200,5814479,Vue组件:菜单悬停放大特效实现,"['前端开发', 'Vue', 'CSS特效']
部署运行你感兴趣的模型镜像

亲戚

大意

n个人,m个关系,k个关系(x,y),判断(x,y)是否有关系

思路

并查集模板题,判断find(x)是否等于find(y)即可

code

#include <bits/stdc++.h>
using namespace std;
const int N=10860;
int fa[N];
int find(int x)
{
	if(x==fa[x]) return x;
	return fa[x]=find(fa[x]);
}
int main()
{
	freopen("relation.in","r",stdin);
	freopen("relation.out","w",stdout);
	int n,m,k;
	cin>>n>>m>>k;
	for(int i=1;i<=n;i++) fa[i]=i;
	for(int i=1;i<=m;i++)
	{
		int x,y;
		cin>>x>>y;
		fa[find(x)]=find(y);
	}
	for(int i=1;i<=k;i++)
	{
		int x,y;
		cin>>x>>y;
		if(find(x)==find(y)) puts("Yes");
		else puts("No");
	}
	return 0;
}

您可能感兴趣的与本文相关的镜像

ACE-Step

ACE-Step

音乐合成
ACE-Step

ACE-Step是由中国团队阶跃星辰(StepFun)与ACE Studio联手打造的开源音乐生成模型。 它拥有3.5B参数量,支持快速高质量生成、强可控性和易于拓展的特点。 最厉害的是,它可以生成多种语言的歌曲,包括但不限于中文、英文、日文等19种语言

81 #P2612. 亲戚 ID: 5646 传统题 1000ms 256MiB 尝试: 21 已通过: 7 难度: 7 上传者: root 标签> 题目描述 或许你并不知道,你的某个朋友是你的亲戚。他可能是你的曾祖父的外公的女婿的外甥女的表姐的孙子。如果能得到完整的家谱,判断两个人是否是亲戚应该是可行的,但如果两个人的最近公共祖先与他们相隔好几代,使得家谱十分庞大,那么检验亲戚关系实非人力所能及。在这种情况下,最好的帮手就是计算机。为了将问题简化,你将得到一些亲戚关系的信息,如 Marry 和 Tom 是亲戚,Tom 和 Ben 是亲戚,等等。从这些信息中,你可以推出 Marry 和 Ben 是亲戚。请写一个程序,对于我们的关于亲戚关系的提问,以最快的速度给出答案。 输入格式 输入由两部分组成。 第一部分以 N N, M M 开始。 N N 为问题涉及的人的个数 ( 1 ≤ N ≤ 20000 ) (1≤N≤20000)。这些人的编号为 1 , 2 , 3 , … , N 1,2,3,…,N。下面有 M M 行 ( 1 ≤ M ≤ 1000000 ) (1≤M≤1000000),每行有两个数 a i , b i a i ​ ,b i ​ ,表示已知 a i a i ​ 和 b i b i ​ 是亲戚。 第二部分以 Q Q 开始。以下 Q Q 行有 Q Q 个询问 ( 1 ≤ Q ≤ 1000000 ) (1≤Q≤1000000),每行为 c i , d i c i ​ ,d i ​ ,表示询问 c i c i ​ 和 d i d i ​ 是否为亲戚。 输出格式 对于每个询问 c i , d i c i ​ ,d i ​ ,输出一行:若 c i c i ​ 和 d i d i ​ 为亲戚,则输出 Yes,否则输出 No。 输入数据 1 10 7 2 4 5 7 1 3 8 9 1 2 5 6 2 3 3 3 4 7 10 8 9 输出数据 1 Yes No Yes#include<bits/stdc++.h> using namespace std; int fa[1000005],size[1000005],n,m,q; void init(){ for(int i=1;i<=n;i++){ fa[i]=i; size[i]=1; } } int get(int x){ if(fa[x]!=x) fa[x]=get(fa[x]); return fa[x]; } void merge(int x,int y){ int fx=get(x),fy=get(y); if(fx!=fy){ if(size[fx]<size[fy]) fa[fx]=fy,size[fy]+=size[fx]; else fa[fy]=fx,size[fx]+=size[fy]; } } int main(){ cin>>n>>m; init(); for(int i=1;i<=m;i++){ int a,b; cin>>a>>b; merge(a,b); } cin>>q; for(int i=1;i<=q;i++){ int a,b; cin>>a>>b; if(get(a)==get(b)){ cout<<"Yes"<<"\n"; }else{ cout<<"No"<<"\n"; } } return 0; }
12-07
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
### 使用并查集算法检测图中是否存在环 #### 并查集简介 并查集是一种树型的数据结构,用于处理一些不相交集合的合并及查询问题。基本操作包括`union`(合并) 和 `find`(查找),这些操作能够高效地管理动态连通性问题。 #### 实现思路 当尝试构建一棵生成树时,每加入一条新边 `(u, v)` ,先检查这两个顶点是否已经在同一个集合内。如果是,则意味着形成了一个新的回路;如果不是,则将两个顶点所在的集合合并成一个更大的集合[^2]。 #### 示例代码 下面是一个简单的 Python 函数,它接收一个由多个元组组成的列表作为输入参数,其中每个元祖代表了一条连接两个节点之间的无向边,并返回布尔值指示该图是否有环: ```python class UnionFind: def __init__(self, size): self.parent = list(range(size)) self.rank = [0] * size def find(self, p): if self.parent[p] != p: self.parent[p] = self.find(self.parent[p]) # Path compression return self.parent[p] def union(self, p, q): rootP = self.find(p) rootQ = self.find(q) if rootP == rootQ: return False if self.rank[rootP] > self.rank[rootQ]: self.parent[rootQ] = rootP elif self.rank[rootP] < self.rank[rootQ]: self.parent[rootP] = rootQ else: self.parent[rootQ] = rootP self.rank[rootP] += 1 return True def has_cycle(edges, n_nodes): uf = UnionFind(n_nodes) for u, v in edges: if not uf.union(u - 1, v - 1): # Adjusting index from 1-based to 0-based return True return False ``` 此函数首先初始化了一个大小为给定节点数量的并查集实例。接着迭代遍历所有的边,在每次调用`uf.union()`之前都会自动完成路径压缩和按秩合并的操作以保持较低的时间复杂度。一旦发现某次联合失败(即两点已经属于同一集合),就立即返回True表明存在至少一个环;否则最终返回False表示不存在任何环。
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