图论--DFS搜索图/树

news2025/4/19 7:42:42

目录

一、图的存储结构

二、题目练习

846. 树的重心 - AcWing题

        dfs,之前学习的回溯算法好多都是用dfs实现搜索的(把题目抽象成树形结构来搜索),其实 回溯算法就是 深搜,只不过针对某一搜索场景 我们给他一个更细分的定义,叫做回溯算法

本节专门讲解dfs在图上的应用,需要做的就是① 明确图的存储结构(邻接矩阵、邻接表),② 背模版 ③  刷题 

一、图的存储结构

看这篇博文就OK

图的存储方式总结:如何高效表示顶点与边的关系?-CSDN博客

最复杂的写法也就是 vector<vector<pair<int, int>>> g  ,虽然看起来复杂,但是比较好理解,这里我是跟着卡哥学习的写法,之前yxc大佬的数组写法呜呜呜我真的只能一时理解不能长久记忆,也写过相关博客笔记 ACWing【846】树的重心、图中点的层次 、邻接表存储图/树、dfs/bfs搜索图/树_图中点的层次acwing-CSDN博客

当时写完应该是明白的,但是现在看真的一头雾水。。。。。

二、题目练习

        之前仔细学过的部分,这里温习一下就好啦,看这篇博客 ,里面有四道经典例题(那很经典了)深度优先搜索DFS-从入门到精通【卡玛】_

所有可达路径属于---模版题,搜索1--n的所有路径并输出

岛屿问题用来练习网格连通块识别问题

  • 岛屿数量-----统计有多少个由“1”组成的互不连通区域,连通快计数问题
  • 岛屿最大面积---找最大的连通块
  • 沉默孤岛和孤岛总面积属于-------连通块/连通域标记题型

博客中有四道经典例题~回顾之后下面再练习几道新题

明确用什么存储图

图是有向边吗还是无向边? 会有重边吗?需要使用visited数组吗??搜索的时候注意边界?

树的重心问题 ,如何操作树结构(其实和图没什么不同)

846. 树的重心 - AcWing题库

 树的重心问题,挺简单的一道题,主要是理解题意,什么是最大节点数最小???

这里我们使用 DFS 统计每个节点删除后各子树大小的最大值,然后取所有节点中这个“最大值”的最小值

思路:

1. 从根节点开始DFS
2. 递归计算每个节点的所有子树规模
3. 在回溯时计算:
   - 子节点方向的最大连通块
   - 父节点方向的剩余连通块
4. 比较并更新全局最小值
5. 最终输出所有可能分割方案中的最优解

搞清子节点和父节点!!!!很关键

子节点的大小计算如下图:

父节点就是n-累加的所有子节点数啦

#include<bits/stdc++.h>
using namespace std;

const int N = 1e5 + 10;      // 最大节点数
vector<int> edges[N];        // 邻接表存储树结构
int n;                       // 节点总数
int min_max = INT_MAX;       // 存储最小的最大连通块大小(初始化为极大值)

/**
 * 深度优先搜索计算子树信息
 * @param u      当前节点
 * @param parent 父节点(用于防止回溯)
 * @return 以u为根的子树节点数
 */
int dfs(int u, int parent) {
    int subtree_size = 1;    // 当前子树节点数(至少包含自己)
    int max_part = 0;        // 删除u后最大的连通块大小

    // 遍历所有邻接节点(包含父节点和子节点)
    for (int v : edges[u]) {
        if (v == parent) continue; // 跳过父节点防止回溯

        // 递归获取子树的节点数(此时u是v的父节点)
        int child_size = dfs(v, u);
        max_part = max(max_part, child_size); // 更新子节点方向的最大块
        subtree_size += child_size;    // 累加子树规模,用于计算父节点数目
    }
        
    // 子节点的最大块为max_part 父节点方向的连通块大小 = 总节点数 - 当前子树规模
    max_part = max(max_part, n - subtree_size);
    
    // 全局维护最小值(所有节点的最大连通块中的最小值)
    min_max = min(min_max, max_part);

    return subtree_size; // 返回当前子树的规模(给上层递归使用)
}

int main() {
    // 加速输入输出(处理大规模数据时效果显著)
    ios::sync_with_stdio(false);
    cin.tie(nullptr);

    cin >> n;
    
    // 构建树结构(n-1条边)
    for (int i = 0; i < n-1; ++i) {
        int a, b;
        cin >> a >> b;
        edges[a].push_back(b); // 无向图双向连接
        edges[b].push_back(a);
    }

    dfs(1, -1); // 从任意节点开始遍历(根节点设为1,父节点不存在用-1表示)

    cout << min_max << endl;
    return 0;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2336168.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

算法复习(二分+离散化+快速排序+归并排序+树状数组)

一、二分算法 二分算法&#xff0c;堪称算法世界中的高效查找利器&#xff0c;其核心思想在于利用数据的有序性&#xff0c;通过不断将查找区间减半&#xff0c;快速定位目标元素或满足特定条件的位置。 1. 普通二分 普通二分适用于在有序数组中查找特定元素的位置。我们可以…

VSCode写java时常用的快捷键

首先得先安好java插件 1、获取返回值 这里是和idea一样的快捷键的&#xff0c;都是xxxx.var 比如现在我new一个对象 就输入 new MbDo().var // 点击回车即可变成下面的// MbDo mbDo new MbDo()//以此类推get方法也可获取 mbDo.getMc().var // 点击回车即可变成下面的 // St…

使用 Node.js、Express 和 React 构建强大的 API

了解如何使用 Node.js、Express 和 React 创建一个强大且动态的 API。这个综合指南将引导你从设置开发环境开始&#xff0c;到集成 React 前端&#xff0c;并利用 APIPost 进行高效的 API 测试。无论你是初学者还是经验丰富的开发者&#xff0c;这篇文章都适合你。 今天&#…

深度学习入门:神经网络的学习

目录 1 从数据中学习1.1 数据驱动1.2 训练数据和测试数据 2损失函数2.1 均方误差2.2 交叉熵误差2.3 mini-batch学习2.4 mini-batch版交叉熵误差的实现2.5 为何要设定损失函数 3 数值微分3.1 数值微分3.3 偏导数 4 梯度4.1 梯度法4.2 神经网络的梯度 5 学习算法的实现5.1 2层神经…

OSI参考模型和TCP/IP模型

1.OSI参考模型 OSI模型&#xff1a; OSI参考模型有7层&#xff0c;自下而上依次为物理层&#xff0c;数据链路层&#xff0c;网络层&#xff0c;传输层&#xff0c;会话层&#xff0c;表示层&#xff0c;应用层。&#xff08;记忆口诀&#xff1a;物联网叔会用&#xff09;。低…

人工智能中的卷积神经网络(CNN)综述

文章目录 前言 1. CNN的基本原理 1.1 卷积层 1.2 池化层 1.3 全连接层 2. CNN的发展历程 2.1 LeNet-5 2.2 AlexNet 2.3 VGGNet 2.4 ResNet 3. CNN的主要应用 3.1 图像分类 3.2 目标检测 3.3 语义分割 3.4 自然语言处理 4. 未来研究方向 4.1 模型压缩与加速 4.2 自监督学习 4.3 …

WordPress - 此站点出现严重错误

本篇讲 当WordPress出现 此站点出现严重错误 时&#xff0c;该如何解决。 目录 1&#xff0c;现象 2&#xff0c; FAQ 3&#xff0c;管理Menu无法打开 下面是详细内容。 1&#xff0c;现象 此站点出现严重错误&#xff08;このサイトで重大なエラーが発生しました&#x…

在pycharm中搭建yolo11分类检测系统1--PyQt5学习(一)

实验条件&#xff1a;pycharm24.3autodlyolov11环境PyQt5 如果pycharm还没有配PyQt5的话就先去看我原先写的这篇博文&#xff1a; PyQT5安装搭配QT DesignerPycharm&#xff09;-CSDN博客 跟练参考文章&#xff1a; 目标检测系列&#xff08;四&#xff09;利用pyqt5实现yo…

【经验记录贴】使用配置文件提高项目的可维护性

mark一下。 整体修改前后如下&#xff1a; 课题&#xff1a; 在项目中有一个支持的文件类型的FILE_TYPE的定义&#xff0c; 这个是写死在主程序中&#xff0c;每次增加可以支持的文件类型的时候&#xff0c;都需要去修改主程序中这个FILGE_TYPE的定义。 主程序修改其实不太花时…

SOME/IP中”客户端消费“及”服务端提供”的解析

先上结论 AREthAddConsumedEventGroup-->客户端的函数-->谁调用 Consumed函数&#xff0c;谁就是消费者 AREthAddProvidedEventGroup-->服务端的函数-->谁调用 Provided函数&#xff0c;谁就是服务端 Server 端&#xff1a;AREthAddProvidedEventGroup → 声明 &…

Linux 深入浅出信号量:从线程到进程的同步与互斥实战指南

知识点1【信号量概述】 信号量是广泛用于进程和线程间的同步和互斥。信号量的本质 是一个非负的整数计数器&#xff0c;它被用来控制对公共资源的访问 当信号量值大于0的时候&#xff0c;可以访问&#xff0c;否则将阻塞。 PV原语对信号量的操作&#xff0c;一次P操作使信号…

Oracle数据库数据编程SQL<9.1 数据库逻辑备份和迁移exp和imp之导出、导入>

EXP (Export) 和 IMP (Import) 是 Oracle 提供的传统数据导出导入工具,用于数据库逻辑备份和迁移。尽管在较新版本中已被 Data Pump (EXPDP/IMPDP) 取代,但在某些场景下仍然有用。 目录 一、EXP 导出工具 1. 基本语法 2. 常用参数说明 3. 导出模式 3.1 表模式导出 3.2 用…

DotnetCore开源库SampleAdmin源码编译

1.报错: System.Net.Sockets.SocketException HResult0x80004005 Message由于目标计算机积极拒绝&#xff0c;无法连接。 SourceSystem.Net.Sockets StackTrace: 在 System.Net.Sockets.Socket.AwaitableSocketAsyncEventArgs.ThrowException(SocketError error, C…

.Net 9 webapi使用Docker部署到Linux

参考文章连接&#xff1a; https://www.cnblogs.com/kong-ming/p/16278109.html .Net 6.0 WebApi 使用Docker部署到Linux系统CentOS 7 - 长白山 - 博客园 项目需要跨平台部署&#xff0c;所以就研究了一下菜鸟如何入门Net跨平台部署&#xff0c;演示使用的是Net 9 webAPi Li…

PyTorch 根据官网命令行无法安装 GPU 版本 解决办法

最近遇到一个问题&#xff0c;PyTorch 官网给出了 GPU 版本的安装命令&#xff0c;但安装成功后查看版本&#xff0c;仍然是 torch 2.6.0cpu 1. 清理现有 PyTorch 安装 经过探索发现&#xff0c;需要同时卸载 conda 和 pip 安装的 torch。 conda remove pytorch torchvision …

PHP防火墙代码,防火墙,网站防火墙,WAF防火墙,PHP防火墙大全

PHP防火墙代码,防火墙,网站防火墙,WAF防火墙,PHP防火墙大全 资源宝整理分享&#xff1a;https://www.htple.net PHP防火墙&#xff08;作者&#xff1a;悠悠楠杉&#xff09; 验证测试&#xff0c;链接后面加上?verify_cs1后可以自行测试 <?php //复制保存zzwaf.php$we…

使用 Vitis Model Composer 生成 FPGA IP 核

本文将逐步介绍如何使用 Vitis Model Composer 生成 FPGA IP 核&#xff0c;从建模到部署。 在当今快节奏的世界里&#xff0c;技术正以前所未有的速度发展&#xff0c;FPGA 设计也不例外。高级工具层出不穷&#xff0c;加速着开发进程。传统上&#xff0c;FPGA 设计需要使用硬…

BERT、T5、ViT 和 GPT-3 架构概述及代表性应用

BERT、T5、ViT 和 GPT-3 架构概述 1. BERT&#xff08;Bidirectional Encoder Representations from Transformers&#xff09; 架构特点 基于 Transformer 编码器&#xff1a;BERT 使用多层双向 Transformer 编码器&#xff0c;能够同时捕捉输入序列中每个词的左右上下文信息…

倚光科技:以创新之光,雕琢全球领先光学设计公司

在光学技术飞速发展的当下&#xff0c;每一次突破都可能为众多领域带来变革性的影响。而倚光&#xff08;深圳&#xff09;科技有限公司&#xff0c;作为光学设计公司的一颗璀璨之星&#xff0c;正以其卓越的创新能力和深厚的技术底蕴&#xff0c;引领着光学设计行业的发展潮流…

数据结构(六)——红黑树及模拟实现

目录 前言 红黑树的概念及性质 红黑树的效率 红黑树的结构 红黑树的插入 变色不旋转 单旋变色 双旋变色 插入代码如下所示&#xff1a; 红黑树的查找 红黑树的验证 红黑树代码如下所示&#xff1a; 小结 前言 在前面的文章我们介绍了AVL这一棵完全二叉搜索树&…