图论算法实例分析|趣味象棋

简介: 图论(graph theory)是数学的一个分支,以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形,这种图形通常用来描述某些事物之间的某种特定关系,用点代表事物,用连接两点的线表示相应两个事物间具有这种关系。

图论(graph theory)是数学的一个分支,以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形,这种图形通常用来描述某些事物之间的某种特定关系,用点代表事物,用连接两点的线表示相应两个事物间具有这种关系。

图论起源于一个非常经典的问题——柯尼斯堡(K-nigsberg)问题。1738年,瑞典数学家欧拉(Leonhard Euler)解决了柯尼斯堡问题,由此图论诞生,欧拉也成为图论的创始人。

1859年,英国数学家汉密尔顿发明了一种游戏: 用一个规则的实心十二面体的20个顶点标出世界著名的20个城市,要求游戏者找一条沿着各边通过每个顶点刚好一次的闭回路,即“绕行世界”。用图论的语言来说,游戏的目的是在十二面体的图中找出一个生成圈。这个生成圈后来被称为汉密尔顿回路。这个问题后来就叫作汉密尔顿问题。运筹学、计算机科学和编码理论中的很多问题都可以化为汉密尔顿问题,从而引起人们广泛的注意和研究。

image.png


# 01、实例分析:趣味象棋

问题描述:

比利和马克在玩一个游戏: 对一个N * M的棋盘,在格子里放尽量多的一些国际象棋里面的“车”,并且使得它们不能互相攻击,这当然很简单,但是马克限制了只有某些格子才可以放,比利还是很轻松地解决了这个问题,如图1所示。

image.png


■ 图1 趣味象棋

注意,不能放车的地方不影响车的互相攻击。

所以,现在马克想让比利解决一个更难的问题,在保证尽量多的“车”的前提下,棋盘里有些格子是可以避开的,也就是说,不在这些格子上放车,也可以保证尽量多的“车”被放下。但是,某些格子若不允许放,就无法保证放尽量多的“车”,这样的格子被称作重要点。马克想让比利算出有多少个这样的重要点,你能解决这个问题吗?
输入:

输入包含多组数据。

第一行有三个数N、M、K(1< N, M ≤10001<K≤N * M),表示棋盘的高、宽,以及可以放“车”的格子数目。

接下来的K行描述了所有格子的信息: 每行两个数X和Y,表示这个格子在棋盘中的位置。

输出:

对输入的每组数据,按照如下格式输出:

Board T have C important blanks for L chessmen.

输入样例:


3 3 4
1 2
1 3
2 1
2 2
3 3 4
1 2
1 3
2 1
3 2

输出样例:

Board 1 have 0 important blanks for 2 chessmen.
Board 2 have 3 important blanks for 3 chessmen.

思路: 先考虑在棋盘上尽可能地放棋子,使得任意棋子不在同一行同一列,将棋盘的行看作左边的点集,将棋盘的列看作右边的点集,若某个格子(i,j)可行,就从左i连到右j,这个二分图的最大匹配即这个棋盘能放的最多棋子数。

现要找出二分图中有多少条关键边,很明显,关键边要在算出来的匹配中找,因此只需将棋盘点对应的边删除再求一次最大匹配,看匹配数是否减小,若减小了,则说明这个边即棋盘的点是关键的,输出即可。
参考程序:

#include<iostream>
#include<cstdio>
#include<cstdlib>
# include< string>
#include<cstring>
#include< cmath>
#include< ctime>
#include<algorithm>
#include< stack>
#include< queue>
# include<vector>
#include< set>
#include<map>
#define PI acos(-1.0)
#define E le-6
#define MOD 16007
#define INF Ox3f3f3f3f
#define N 10001
#define II long long
using namespace std;
int n,m,k;
bool visINl;
int linkINl;
bool GIN]IN;
bool dfs(int x) {
   
   
for(int y=1;y<=m;y++)[
if(G[x][y]&&!vis[y]){
   
   
vis[y]=true;
if(link[y]==-1  dfs(link[y])) [link[y]=x;
return true;
return false;
int hungarian()
i贸唇巴狈角经髓讫担鲍岸迸扳邦般埃半碟骨便哎斑肮拜拌柴爱挨艾绷焙编扮傲叭巴扒捌箔谍0;
for(int i=1;i<=n;i++)[
memset(vis,false,sizeof(vis)) ;if(dfs(i) )ans++;
return ans;
int main()f
int Case=1;
while(scanf("ddd",&n,&m,&k) !=EOF&&(n+m+ k)){
   
   memset(G,false,sizeof(G) ) ;memset(link,-1,sizeof(link)) ;
while(k--){
   
   
int x,y;
scanf("d号d",&x,&y) ;G[x][y]=true;
int tot=hungarian() ;
int key=0;
for(int i=1;i<=n;i++){
   
   for(int j=1;j<=m;j++)[if(G[i][i])(G[il[j]=false;
memset(link,-1,sizeof(link));
int ans=hungarian() ;
if(ans<tot)
key+ + ;
G[il[jl=true;
printf("Board %d have d important blanks for d chessmen.\n",Case++key,tot);
return 0;
目录
相关文章
|
1月前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
61 4
|
29天前
|
并行计算 算法 IDE
【灵码助力Cuda算法分析】分析共享内存的矩阵乘法优化
本文介绍了如何利用通义灵码在Visual Studio 2022中对基于CUDA的共享内存矩阵乘法优化代码进行深入分析。文章从整体程序结构入手,逐步深入到线程调度、矩阵分块、循环展开等关键细节,最后通过带入具体值的方式进一步解析复杂循环逻辑,展示了通义灵码在辅助理解和优化CUDA编程中的强大功能。
|
1月前
|
算法
PID算法原理分析
【10月更文挑战第12天】PID控制方法从提出至今已有百余年历史,其由于结构简单、易于实现、鲁棒性好、可靠性高等特点,在机电、冶金、机械、化工等行业中应用广泛。
|
2月前
|
算法 搜索推荐 开发者
别再让复杂度拖你后腿!Python 算法设计与分析实战,教你如何精准评估与优化!
在 Python 编程中,算法的性能至关重要。本文将带您深入了解算法复杂度的概念,包括时间复杂度和空间复杂度。通过具体的例子,如冒泡排序算法 (`O(n^2)` 时间复杂度,`O(1)` 空间复杂度),我们将展示如何评估算法的性能。同时,我们还会介绍如何优化算法,例如使用 Python 的内置函数 `max` 来提高查找最大值的效率,或利用哈希表将查找时间从 `O(n)` 降至 `O(1)`。此外,还将介绍使用 `timeit` 模块等工具来评估算法性能的方法。通过不断实践,您将能更高效地优化 Python 程序。
61 4
|
2月前
|
算法 程序员 Python
程序员必看!Python复杂度分析全攻略,让你的算法设计既快又省内存!
在编程领域,Python以简洁的语法和强大的库支持成为众多程序员的首选语言。然而,性能优化仍是挑战。本文将带你深入了解Python算法的复杂度分析,从时间与空间复杂度入手,分享四大最佳实践:选择合适算法、优化实现、利用Python特性减少空间消耗及定期评估调整,助你写出高效且节省内存的代码,轻松应对各种编程挑战。
41 1
|
1月前
|
算法
PID算法原理分析及优化
【10月更文挑战第6天】PID控制方法从提出至今已有百余年历史,其由于结构简单、易于实现、鲁棒性好、可靠性高等特点,在机电、冶金、机械、化工等行业中应用广泛。
|
1月前
|
算法 定位技术
数据结构与算法学习九:学习递归。递归的经典实例:打印问题、阶乘问题、递归-迷宫问题、八皇后问题
本文详细介绍了递归的概念、重要规则、形式,并展示了递归在解决打印问题、阶乘问题、迷宫问题和八皇后问题等经典实例中的应用。
41 0
|
2月前
|
算法 数据可视化
基于SSA奇异谱分析算法的时间序列趋势线提取matlab仿真
奇异谱分析(SSA)是一种基于奇异值分解(SVD)和轨迹矩阵的非线性、非参数时间序列分析方法,适用于提取趋势、周期性和噪声成分。本项目使用MATLAB 2022a版本实现从强干扰序列中提取趋势线,并通过可视化展示了原时间序列与提取的趋势分量。代码实现了滑动窗口下的奇异值分解和分组重构,适用于非线性和非平稳时间序列分析。此方法在气候变化、金融市场和生物医学信号处理等领域有广泛应用。
134 19
|
2月前
|
机器学习/深度学习 存储 人工智能
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
使用Python作为开发语言,基于文本数据集(一个积极的xls文本格式和一个消极的xls文本格式文件),使用Word2vec对文本进行处理。通过支持向量机SVM算法训练情绪分类模型。实现对文本消极情感和文本积极情感的识别。并基于Django框架开发网页平台实现对用户的可视化操作和数据存储。
50 0
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
|
1月前
|
算法 安全 Go
Python与Go语言中的哈希算法实现及对比分析
Python与Go语言中的哈希算法实现及对比分析
41 0
下一篇
无影云桌面