南邮-1131-谣言传播

2023-10-31 11:30
文章标签 传播 南邮 谣言 1131

本文主要是介绍南邮-1131-谣言传播,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

描述

知道“人言可畏”吗?在我们的生活中,尤其在现有的网络上,存在一些广泛传播的谣言。今天我们在一个群体中研究这个问题:

(1)一个群体中存在一些两两之间的朋友关系;

(2)一个人发布“谣言”;

(3)一个人在知道“谣言”时,会告诉他(她)的朋友;

请你判断是否所有人最终都知道谣言。

输入

第一行是一个正整数:测试用例数目,最多为100。之后,每个测试用例包括多行:

l       第1行给出两个整数(空格分隔),前者表示群体人数n,后者表示“谣言”发布者t,群体成员用整数序号表示,2≤n≤200,0≤t≤n-1

l       第2行给出一个整数,群体两两存在的朋友关系数m,0≤m≤20100

l       m行,每行两个整数(空格分隔),表示群体中两个成员存在朋友关系。

输出

对于每个测试用例:

l       所有人最终都知道谣言则输出“Yes”,否则输出“No”

注意:输出部分的结尾要求包含一个多余的空行。

样例输入

2
3 0
2
0 1
0 2
4 0
2
0 1
2 3

样例输出

Yes
No

题目来源

算法与数据结构设计考核赛2009

代码:

#include<cstdlib>   
#include<iostream>     
#include<cstdio> 
using namespace std;  
class UFSet   
{   
public:   UFSet(int mSize);      ~UFSet(){delete[]parent;}      int Find2(int i);   void Union2(int x, int y); int *parent;
private:         int size;	 
};   
UFSet::UFSet(int mSize)   
{   size=mSize;   parent=new int[size];   for (int i=0;i<size; i++) parent[i]=-1;   
}   
int UFSet::Find2(int i)   
{   int r,t,l;   for (r=i;parent [r]>=0; r=parent[r]);   if (i!=r)    for (t=i;parent [t]!=r; t=l){   l=parent[t]; parent[t]=r;   };   return r;   
}   
void UFSet::Union2( int x,int y)   
{   int temp=parent[x]+parent[y];   if (parent[x]>parent[y]) {   parent[x]=y; parent[y]=temp;   }   else {   parent[y]=x;parent[x]=temp;   }   
}   
int main()   
{   int i,j;   int temp1,temp2;   scanf("%d",&i);   for(j=0;j<i;j++)   {   int n,t,m,p,a,b;   scanf("%d %d",&n,&t);   UFSet x=n;   scanf("%d",&m);   for(p=0;p<m;p++)   {   scanf("%d %d",&a,&b);                 temp1=x.Find2(a);   temp2=x.Find2(b);   if(temp1!=temp2)   x.Union2(temp1,temp2);               }   temp1=x.Find2(t);//找到t所在的数的根节点的序号,然后赋值给temp1   temp2=x.parent[temp1];//将temp1的parent域的值赋给temp2             if(temp2==-n)printf("Yes\n");   else printf("No\n");   }     return 0;   
}   


这篇关于南邮-1131-谣言传播的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/315056

相关文章

用einsum实现MultiHeadAttention前向传播

einsum教程网站Einstein Summation in Numpy | Olexa Bilaniuk's IFT6266H16 Course Blog 编写训练模型 import tensorflow as tfclass Model(tf.keras.Model):def __init__(self, num_heads, model_dim):super().__init__

Spring事务和事务传播机制(下)

我们上一篇文章学习了 @Transactional 的基本使用。接下来我们学习 @Transactional 注解的使用细节。 @Transactional 注解当中有下面三个常见属性: 1、rollbackFor:异常回滚属性。指定能够触发事务回滚的异常类型。可以指定多个异常类型 2、IsoIation:事务的隔离级别。默认值为 IsoIation.DEFAULT。 3、pr

iPhone 16或将不支持微信?谣言还是事实?

iPhone 16或将不支持微信?谣言还是事实? 近日,一则关于“iPhone 16可能不支持微信” 的传言如同一颗重磅炸弹,引爆了社交媒体,特别是在微博上,相关话题迅速占据热搜榜单,引发了无数网友的热议和担忧。然而,事实究竟如何?这背后又隐藏着哪些不为人知的博弈?今天,猫头虎技术团队就带大家一探究竟。 猫头虎是谁? 大家好,我是 猫头虎,别名猫头虎博主,擅长的技术领域包括云原生、前端、

Spring框架七、Spring Transactional传播特性

一、事务的传播特性 事务的传播特性指的是当一个事务方法被另一个事务方法调用时,这个事务方法应该如何进行? spring的事务传播行为一共有7种: 二、测试事务的传播特性 1、环境准备 application_context.xml <?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframewo

四层神经网络,反向传播计算过程;四层神经网络中:y的函数公式是什么

目录 四层神经网络,反向传播计算过程 网络结构 前向传播 损失函数 反向传播 1. 计算输出层到隐藏层 2 的梯度 2. 计算隐藏层 2 到隐藏层 1 的梯度 3. 计算输入层到隐藏层 1 的梯度 梯度下降更新 四层神经网络,反向传播计算过程 在四层神经网络中,使用均方差损失函数进行反向传播计算是一个常见的训练过程。这里我们简单举例说明这个过程。 网络结构 假

[pytorch] --- pytorch基础之损失函数与反向传播

1 损失函数 1.1 Loss Function的作用 每次训练神经网络的时候都会有一个目标,也会有一个输出。目标和输出之间的误差,就是用Loss Function来衡量的。所以Loss误差是越小越好的。此外,我们可以根据误差Loss,指导输出output接近目标target。即我们可以以Loss为依据,不断训练神经网络,优化神经网络中各个模块,从而优化output 。 Loss Funct

开放题:如何利用深度学习来重参数化 K-means 聚类,这样的思路要做出效果,它的前向传播、反向传播以及优化目标最好是什么样的?

🍉 CSDN 叶庭云:https://yetingyun.blog.csdn.net/ 传统的 K-means 算法直接处理数据点与聚类中心。重参数化技术的核心在于利用神经网络来学习一个从输入空间映射到聚类分配的转换函数。深度学习重参数化 K-means 聚类的核心思想在于,将传统 K-means 算法中的硬分配机制转化为可微分的软分配,进而利用神经网络学习并优化特征表示。此方法巧妙融合了

GNN-2008:Original GNN【消息传递(前向传播):聚合函数+更新函数+输出函数】【核心:不动点理论】【梯度优化:用Almeida-Pineda算法,而不是用BPTT(反向传播)算法】

GNN-2008:Original GNN【消息传递(前向传播):聚合函数+更新函数+输出函数】【核心:不动点理论】【梯度优化:用Almeida-Pineda算法,而不是用BPTT(反向传播)算法】 《原始论文:A new model for learning in graph domains-2005》 《原始论文:The Graph Neural Network Model-2008》 一

BP神经网络学习内容分享:前向传播与后向传播

在深度学习和神经网络领域,BP(Backpropagation,反向传播)神经网络是一种非常基础且广泛应用的网络结构。它通过前向传播进行预测,并通过反向传播算法调整网络权重以优化预测结果。本文将详细介绍BP神经网络的前向传播和反向传播过程,并展示一个简单的BP神经网络实现。 一、前向传播过程         1.基本概念         前向传播是神经网络中信息从输入层经过隐藏

小白零基础学数学建模应用系列(六):基于数学建模的疟疾传播与控制研究

本篇文章为深度研究内容,实际给大家展示数学建模在医学中,生活中的应用。数学建模是一门很严谨的学科,大家通过本篇文章可以学习下相关背景即可,当然我在文末配了参考代码供大家学习。无论在数学建模竞赛中,还是在做科研,数学建模都会对大家有着非常大的帮助。当然,不用完全看懂本篇文章。 CSDN/B站/知乎:川川菜鸟 书籍推荐:https://item.m.jd.com/product/100994