【调和级数 并集查找】1627. 带阈值的图连通性

简介: 【调和级数 并集查找】1627. 带阈值的图连通性

本文涉及知识点

调和级数 并集查找(并差集)

LeetCode1627. 带阈值的图连通性

有 n 座城市,编号从 1 到 n 。编号为 x 和 y 的两座城市直接连通的前提是: x 和 y 的公因数中,至少有一个 严格大于 某个阈值 threshold 。更正式地说,如果存在整数 z ,且满足以下所有条件,则编号 x 和 y 的城市之间有一条道路:

x % z == 0

y % z == 0

z > threshold

给你两个整数 n 和 threshold ,以及一个待查询数组,请你判断每个查询 queries[i] = [ai, bi] 指向的城市 ai 和 bi 是否连通(即,它们之间是否存在一条路径)。

返回数组 answer ,其中answer.length == queries.length 。如果第 i 个查询中指向的城市 ai 和 bi 连通,则 answer[i] 为 true ;如果不连通,则 answer[i] 为 false 。

示例 1:

输入:n = 6, threshold = 2, queries = [[1,4],[2,5],[3,6]]

输出:[false,false,true]

解释:每个数的因数如下:

1: 1

2: 1, 2

3: 1, 3

4: 1, 2, 4

5: 1, 5

6: 1, 2, 3, 6

所有大于阈值的的因数已经加粗标识,只有城市 3 和 6 共享公约数 3 ,因此结果是:

[1,4] 1 与 4 不连通

[2,5] 2 与 5 不连通

[3,6] 3 与 6 连通,存在路径 3–6

示例 2:

输入:n = 6, threshold = 0, queries = [[4,5],[3,4],[3,2],[2,6],[1,3]]

输出:[true,true,true,true,true]

解释:每个数的因数与上一个例子相同。但是,由于阈值为 0 ,所有的因数都大于阈值。因为所有的数字共享公因数 1 ,所以所有的城市都互相连通。

示例 3:

输入:n = 5, threshold = 1, queries = [[4,5],[4,5],[3,2],[2,3],[3,4]]

输出:[false,false,false,false,false]

解释:只有城市 2 和 4 共享的公约数 2 严格大于阈值 1 ,所以只有这两座城市是连通的。

注意,同一对节点 [x, y] 可以有多个查询,并且查询 [x,y] 等同于查询 [y,x] 。

提示:

2 <= n <= 104

0 <= threshold <= n

1 <= queries.length <= 105

queries[i].length == 2

1 <= ai, bi <= cities

ai != bi

调和级数

枚举z,如果符合则通过并集查找连通。

z为1时,需要枚举 n次。

z为2时,需要枚举 n × 1 2 n \times \frac{1}{2}n×21

z为3时,需要枚举 n × 1 3 n \times \frac{1}{3}n×31

⋮ \vdots

故时间复杂度是O(nlogn),其中logn是调和级数之和。

代码

核心代码

class CUnionFind
{
public:
  CUnionFind(int iSize) :m_vNodeToRegion(iSize)
  {
    for (int i = 0; i < iSize; i++)
    {
      m_vNodeToRegion[i] = i;
    }
    m_iConnetRegionCount = iSize;
  } 
  CUnionFind(vector<vector<int>>& vNeiBo):CUnionFind(vNeiBo.size())
  {
    for (int i = 0; i < vNeiBo.size(); i++) {
      for (const auto& n : vNeiBo[i]) {
        Union(i, n);
      }
    }
  }
  int GetConnectRegionIndex(int iNode)
  {
    int& iConnectNO = m_vNodeToRegion[iNode];
    if (iNode == iConnectNO)
    {
      return iNode;
    }
    return iConnectNO = GetConnectRegionIndex(iConnectNO);
  }
  void Union(int iNode1, int iNode2)
  {
    const int iConnectNO1 = GetConnectRegionIndex(iNode1);
    const int iConnectNO2 = GetConnectRegionIndex(iNode2);
    if (iConnectNO1 == iConnectNO2)
    {
      return;
    }
    m_iConnetRegionCount--;
    if (iConnectNO1 > iConnectNO2)
    {
      UnionConnect(iConnectNO1, iConnectNO2);
    }
    else
    {
      UnionConnect(iConnectNO2, iConnectNO1);
    }
  }
  bool IsConnect(int iNode1, int iNode2)
  {
    return GetConnectRegionIndex(iNode1) == GetConnectRegionIndex(iNode2);
  }
  int GetConnetRegionCount()const
  {
    return m_iConnetRegionCount;
  }
  vector<int> GetNodeCountOfRegion()//各联通区域的节点数量
  {
    const int iNodeSize = m_vNodeToRegion.size();
    vector<int> vRet(iNodeSize);
    for (int i = 0; i < iNodeSize; i++)
    {
      vRet[GetConnectRegionIndex(i)]++;
    }
    return vRet;
  }
  std::unordered_map<int, vector<int>> GetNodeOfRegion()
  {
    std::unordered_map<int, vector<int>> ret;
    const int iNodeSize = m_vNodeToRegion.size();
    for (int i = 0; i < iNodeSize; i++)
    {
      ret[GetConnectRegionIndex(i)].emplace_back(i);
    }
    return ret;
  }
private:
  void UnionConnect(int iFrom, int iTo)
  {
    m_vNodeToRegion[iFrom] = iTo;
  }
  vector<int> m_vNodeToRegion;//各点所在联通区域的索引,本联通区域任意一点的索引,为了增加可理解性,用最小索引
  int m_iConnetRegionCount;
};
class Solution {
public:
  vector<bool> areConnected(int n, int threshold, vector<vector<int>>& queries) {
    CUnionFind uf(n+1);
    for (int z = threshold+ 1; z <= n; z++) {
      for (int i = 2; i * z <= n; i++) {
        uf.Union(z , i * z );
      }
    }
    vector<bool> vRes;
    for (const auto& v : queries) {
      vRes.emplace_back(uf.IsConnect(v[0], v[1]));
    }
    return vRes;
  }
};

测试用例

template<class T>
void Assert(const vector<T>& v1, const vector<T>& v2)
{
  if (v1.size() != v2.size())
  {
    assert(false);
    return;
  }
  for (int i = 0; i < v1.size(); i++)
  {
    assert(v1[i] == v2[i]);
  }
}
template<class T>
void Assert(const T& t1, const T& t2)
{
  assert(t1 == t2);
}
int main()
{
  int n,  threshold;
  vector<vector<int>> queries;  
  {
    Solution slu;
    n = 6, threshold = 2, queries = { {1,4},{2,5},{3,6} };
    auto res = slu.areConnected(n, threshold, queries);
    Assert({ false,false,true }, res);
  }
  {
    Solution slu;
    n = 6, threshold = 0, queries = { {4,5},{3,4},{3,2},{2,6},{1,3} };
    auto res = slu.areConnected(n, threshold, queries);
    Assert({ true,true,true,true,true }, res);
  }
  {
    Solution slu;
    n = 5, threshold = 1, queries = { {4,5},{4,5},{3,2},{2,3},{3,4} };
    auto res = slu.areConnected(n, threshold, queries);
    Assert({ false,false,false,false,false }, res);
  }
}

扩展阅读

视频课程

有效学习:明确的目标 及时的反馈 拉伸区(难度合适),可以先学简单的课程,请移步CSDN学院,听白银讲师(也就是鄙人)的讲解。

https://edu.csdn.net/course/detail/38771

如何你想快速形成战斗了,为老板分忧,请学习C#入职培训、C++入职培训等课程

https://edu.csdn.net/lecturer/6176

相关下载

想高屋建瓴的学习算法,请下载《喜缺全书算法册》doc版

https://download.csdn.net/download/he_zhidan/88348653

我想对大家说的话
闻缺陷则喜是一个美好的愿望,早发现问题,早修改问题,给老板节约钱。
子墨子言之:事无终始,无务多业。也就是我们常说的专业的人做专业的事。
如果程序是一条龙,那算法就是他的是睛

测试环境

操作系统:win7 开发环境: VS2019 C++17

或者 操作系统:win10 开发环境: VS2022 C++17

如无特殊说明,本算法用**C++**实现。

相关文章
|
2月前
|
运维 负载均衡 监控
同时设置两张网卡的接口跃点数:影响与优化分析
在现代网络中,服务器常配有多张网卡以提升性能和冗余。本文探讨了不同跃点数配置的影响及优化策略。首先介绍了跃点数的概念及其对数据传输效率的影响。接着分析了两张网卡跃点数差异可能导致的延迟增加、负载不均衡等问题,并提出了负载均衡、优先级设置、监控调整及故障转移等优化方法,帮助网络管理员实现高效稳定的通信。
|
5月前
|
存储 算法
数据结构和算法——散列表的性能分析(开放地址法的查找性能、期望探测次数与装填因子的关系、分离链接法的查找性能)
数据结构和算法——散列表的性能分析(开放地址法的查找性能、期望探测次数与装填因子的关系、分离链接法的查找性能)
103 0
|
6月前
|
算法 测试技术 C#
【模拟】【C++算法】2826. 将三个组排序
【模拟】【C++算法】2826. 将三个组排序
|
6月前
|
人工智能 算法 BI
【图论】【 割边】【C++算法】1192. 查找集群内的关键连接
【图论】【 割边】【C++算法】1192. 查找集群内的关键连接
|
6月前
leetcode-1319:连通网络的操作次数
leetcode-1319:连通网络的操作次数
34 0
|
传感器 编解码 计算机视觉
使用星凸随机超曲面模型对扩展对象和分组目标进行形状跟踪(Matlab代码实现)
使用星凸随机超曲面模型对扩展对象和分组目标进行形状跟踪(Matlab代码实现)
141 0
使用星凸随机超曲面模型对扩展对象和分组目标进行形状跟踪(Matlab代码实现)
算法训练Day28|● 93.复原IP地址 ● 78.子集 ● 90.子集II
算法训练Day28|● 93.复原IP地址 ● 78.子集 ● 90.子集II
|
算法 测试技术
【算法作业】实验三:划分集合-贪心 & 可能的IP地址-回溯
【算法作业】实验三:划分集合-贪心 & 可能的IP地址-回溯
159 0
【算法作业】实验三:划分集合-贪心 & 可能的IP地址-回溯
Day28——复原IP地址、子集、子集||
Day28——复原IP地址、子集、子集||
106 0
|
机器学习/深度学习