博客
关于我
hdu2767(强连通分量+缩点)
阅读量:245 次
发布时间:2019-03-01

本文共 3293 字,大约阅读时间需要 10 分钟。

为了解决这个问题,我们需要证明四个关于矩阵 A 的命题是等价的。我们可以通过分析这些命题之间的关系,并利用图论中的强连通分量和有向无环图(DAG)来确定需要证明的额外边数。

方法思路

  • 问题分析:四个命题分别是矩阵 A 是否可逆、方程 Ax = b 是否有唯一解、方程 Ax = b 是否一致,以及 Ax = 0 是否只有零解。这些命题之间存在等价关系,我们需要证明这些关系。
  • 图论模型:将四个命题看作图中的四个节点,已知的关系作为有向边。我们需要确定这些边是否已经形成了一个强连通图。
  • 强连通分量分析:使用 Kosaraju 算法来分析强连通分量。缩减后的 DAG 中,入度为零的点数和出度为零的点数决定了需要添加的最少边数。
  • 计算步骤:构建图,执行强连通分量分析,统计入度和出度,最后计算并输出结果。
  • 解决代码

    import syssys.setrecursionlimit(1 << 25)def main():    import sys    input = sys.stdin.read().split()    ptr = 0    T = int(input[ptr])    ptr += 1    for _ in range(T):        n = int(input[ptr])        m = int(input[ptr+1])        ptr +=2        adj = [[] for _ in range(4)]        for __ in range(m):            s1 = int(input[ptr])-1            s2 = int(input[ptr+1])-1            adj[s1].append(s2)            ptr +=2                # Build reverse graph        rev_adj = [[] for _ in range(4)]        for u in range(4):            for v in adj[u]:                rev_adj[v].append(u)                # First pass to compute order        visited = [False]*4        dfn = [0]*4        low = [0]*4        order = []        time = 1        for u in range(4):            if not visited[u]:                stack = []                stack.append( (u, False) )                while stack:                    node, processed = stack.pop()                    if processed:                        for v in adj[node]:                            if dfn[v] > dfn[node]:                                low[node] = min(low[node], dfn[v])                        if low[node] == dfn[node]:                            order.append(node)                        continue                    if visited[node]:                        continue                    visited[node] = True                    dfn[node] = time                    low[node] = time                    time +=1                    stack.append( (node, True) )                    for v in adj[node]:                        if not visited[v]:                            stack.append( (v, False) )                # Second pass to find components        visited = [False]*4        component = [0]*4        current_component = 0        for u in reversed(order):            if not visited[u]:                stack = [u]                visited[u] = True                component[u] = current_component                while stack:                    node = stack.pop()                    for v in rev_adj[node]:                        if not visited[v]:                            visited[v] = True                            component[v] = current_component                            stack.append(v)                current_component +=1                # Calculate in_degree and out_degree for DAG        in_degree = [0]*4        out_degree = [0]*4        for u in range(4):            for v in adj[u]:                out_degree[u] +=1            for v in rev_adj[u]:                in_degree[v] +=1                a = sum(1 for i in range(4) if in_degree[i] == 0)        b = sum(1 for i in range(4) if out_degree[i] == 0)        res = max(a, b)        print(res)if __name__ == "__main__":    main()

    代码解释

  • 输入处理:读取测试用例数目和每个测试用例的数据。
  • 图构建:构建节点之间的有向边,并构建反向图。
  • 第一次 DFS:计算每个节点的 dfn 和 low 值,记录访问顺序。
  • 第二次 DFS:根据反向图,确定强连通分量。
  • DAG 分析:计算缩减后的 DAG 中的入度和出度,确定需要添加的最少边数。
  • 该方法确保了我们能够高效地确定需要证明的最少边数,从而完成所有命题的等价性证明。

    转载地址:http://nnfx.baihongyu.com/

    你可能感兴趣的文章
    Opencv介绍及opencv3.0在 vs2010上的配置
    查看>>
    OpenCV使用霍夫变换检测图像中的形状
    查看>>
    opencv保存图片路径包含中文乱码解决方案
    查看>>
    OpenCV保证输入图像为三通道
    查看>>
    OpenCV入门教程(非常详细)从零基础入门到精通,看完这一篇就够了
    查看>>
    opencv图像分割2-GMM
    查看>>
    opencv图像分割3-分水岭方法
    查看>>
    opencv图像切割1-KMeans方法
    查看>>
    OpenCV图像处理篇之阈值操作函数
    查看>>
    OpenCV图像的深浅拷贝
    查看>>
    OpenCV学习(13) 细化算法(1)(转)
    查看>>
    OpenCV学习笔记(27)KAZE 算法原理与源码分析(一)非线性扩散滤波
    查看>>
    OpenCV学堂 | OpenCV案例 | 基于轮廓分析对象提取
    查看>>
    OpenCV学堂 | YOLOv8实战 | 荧光显微镜细胞图像检测
    查看>>
    OpenCV官方文档 理解k - means聚类
    查看>>
    OpenCV探索
    查看>>
    OpenCV环境搭建(一)
    查看>>
    openCV目标识别 目标跟踪 YOLO5深度学习 Python 计算机视觉 计算机毕业设计 源码下载
    查看>>
    opencv笔记(1):图像缩放
    查看>>
    opencv笔记(二十四)——得到轮廓之后找到凸包convex hull
    查看>>