LCA/在线(倍增)离线(Tarjan)
概念
祖先
有根树中,一个节点到根的路径上的所有节点被视为这个点的祖先,包括根和它本身
公共祖先
对于点a和b,如果c既是a的祖先又是b的祖先,那么c是a和b的公共祖先
##深度
子节点的深度=父节点深度+1,一般我们定根的深度为1
最近公共祖先
树上两个节点的所有公共祖先中,深度最大的那个称为两个点的最近公共祖先(LCA)
方法1:暴力爬山法
很明显,这个方法是很想爬山,我们可以先然两个节点中,深度大的依着父亲爬到两节点深度相同,然后,两个节点一起爬,最后,爬到了同一个节点,这,就是ans;

很明显,这个方法有几个缺陷,时间为O(n),并且,还要用bfs算深度
方法2:倍增
求公共祖先
在前面爬山法进行改进,在爬山的过程中,其实有些地方可以一蹦千尺高,但却一步一步地走,大大的浪费了时间,于是,我们运用倍增
众所周知,任意一个数是可用二进制来表示,如果,我们用一个二进制来表示两个节点的深度差,那不是就把时间化为O(log2n)
设一个数组dp[i][j]从i这个节点往上走2j步,那么,dp[i][j-1]j就是再往根的方向走2(j-1)步,如果再走2(j-1)步,就相当于走了2j,所以,dp[i][j]=dp[dp[i][j-1]][j-1]
其中,dp[i][0]=fa[i];
那如何来求dp这个数组呢
我们可以在bfs求树上每个点深度的时候,顺便预处理dp数组
void bfs()
{
queue<int>q;
d[root]=1;
q.push(root);
while(q.size())
{
int temp=q.front();
q.pop();
for(int i=0;i<g[temp].size();i++)
{
int v=g[temp][i];
if(d[v])
{
continue;
}
d[v]=d[temp]+1;
dp[v][0]=temp;
for(int j=1;j<=Maxstep;j++)
{
dp[v][j]=dp[dp[v][j-1]][j-1];
}
q.push(v);
}
}
}
LCA就是在爬山的基础上,将一步一步的枚举,改为,从大到小走2j
int LCA(int a, int b) {
if (d[a] > d[b]) {
swap(a, b);
}
for (int i = Maxstep; i >= 0; i--) {
if (d[dp[b][i]] >= d[a]) {
b = dp[b][i];
}
}
if (a == b) {
return a;
}
for (int i = Maxstep; i >= 0; i--) {
if (dp[b][i] != dp[a][i]) {
a = dp[a][i];
b = dp[b][i];
}
}
return dp[a][0];
}
求俩点的距离
可以先求出两点的LCA,然后,这两点的距离,就是公共祖先到A的距离+公共祖先到B的距离,而距离,可以和算深度一样,算到根节点的距离
int dist(int x, int y) { return d[x] + d[y] - d[LCA(x, y)] * 2; }
Tarjan
离线的求LCA的方法
先dfs,然后,标记,用并查集的路径压缩记录这个节点,最近的,没有回溯的节点,如果,询问的两个节点中有被访问的,那就可以将这个结点并查集的祖先放进去,正因为这样,所以,所有的,都需要先放进去,在dfs
void Trajan(int x) {
vis[x] = 1;
for (int i = 0; i < g[x].size(); i++) {
int v = g[x][i];
if (vis[v]) {
continue;
}
Trajan(v);
fa[v] = x;
}
for (int i = 0; i < q[x].size(); i++) {
int ID = q[x][i].id;
if (vis[q[x][i].v] == 1) {
ans[ID] = find(q[x][i].v);
}
}
}
LCA/在线(倍增)离线(Tarjan)的更多相关文章
- poj 1330 LCA (倍增+离线Tarjan)
/* 先来个倍增 */ #include<iostream> #include<cstring> #include<cstdio> #define maxn 100 ...
- hdu 2586 How far away?(LCA模板题+离线tarjan算法)
How far away ? Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others)To ...
- POJ:1330-Nearest Common Ancestors(LCA在线、离线、优化算法)
传送门:http://poj.org/problem?id=1330 Nearest Common Ancestors Time Limit: 1000MS Memory Limit: 10000K ...
- LCA 在线倍增法 求最近公共祖先
第一步:建树 这个就不说了 第二部:分为两步 分别是深度预处理和祖先DP预处理 DP预处理: int i,j; ;(<<j)<n;j++) ;i<n;++i) ) fa[i ...
- [POJ1330]Nearest Common Ancestors(LCA, 离线tarjan)
题目链接:http://poj.org/problem?id=1330 题意就是求一组最近公共祖先,昨晚学了离线tarjan,今天来实现一下. 个人感觉tarjan算法是利用了dfs序和节点深度的关系 ...
- 近期公共祖先(LCA)——离线Tarjan算法+并查集优化
一. 离线Tarjan算法 LCA问题(lowest common ancestors):在一个有根树T中.两个节点和 e&sig=3136f1d5fcf75709d9ac882bd8cfe0 ...
- LCA在线算法ST算法
求LCA(近期公共祖先)的算法有好多,按在线和离线分为在线算法和离线算法. 离线算法有基于搜索的Tarjan算法较优,而在线算法则是基于dp的ST算法较优. 首先说一下ST算法. 这个算法是基于RMQ ...
- LCA在线算法(hdu2586)
hdu2586 How far away ? Time Limit: 2000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/O ...
- LCA的倍增算法
LCA,即树上两点之间的公共祖先,求这样一个公共祖先有很多种方法: 暴力向上:O(n) 每次将深度大的点往上移动,直至二者相遇 树剖:O(logn) 在O(2n)预处理重链之后,每次就将深度大的沿重链 ...
随机推荐
- 【Linux】【Shell】【text】Vim
文本编辑器: 文本:纯文本,ASCII text:Unicode: 文本编辑种类: 行编辑器:sed 全屏编辑器:nano, vi vi: Visual Interface vim: Vi IMpro ...
- java关键字volatile内存语义详细分析
volatile变量自身具有下列特性. 1.可见性.对一个volatile变量的读,总是能看到(任意线程)对这个volatile变量最后的写 入. · 2.原子性:对任意单个volatile变量的读/ ...
- python pandas 中文件的读写——read_csv()读取文件
read_csv()读取文件1.python读取文件的几种方式read_csv 从文件,url,文件型对象中加载带分隔符的数据.默认分隔符为逗号read_table 从文件,url,文件型对象中加载带 ...
- 商城项目的购物车模块的实现------通过session实现
1.新建购物车的实体类Cart public class Cart implements java.io.Serializable{ private Shangpin shangpin;//存放商品实 ...
- macOS Monterey 12.1 (21C52) 正式版 ISO、IPSW、PKG 下载
本站下载的 macOS Monterey 软件包,既可以拖拽到 Applications(应用程序)下直接安装,也可以制作启动 U 盘安装,或者在虚拟机中启动安装. 2021 年 12 月 14 日, ...
- 新一代Java程序员必学的Docker容器化技术基础篇
Docker概述 **本人博客网站 **IT小神 www.itxiaoshen.com Docker文档官网 Docker是一个用于开发.发布和运行应用程序的开放平台.Docker使您能够将应用程序与 ...
- HCNP Routing&Switching之组播技术-组播协议IGMP
前文我们了解了组播地址相关话题,回顾请参考https://www.cnblogs.com/qiuhom-1874/p/15616740.html:今天我们来聊一聊组播协议中IGMP协议相关话题: 组播 ...
- Linux中find命令与三剑客之grep和正则
昨日内容回顾 1.每个月的3号.5号和15号,且这天时周六时 执行 00 00 3,5,15 * 6 2.每天的3点到15点,每隔3分钟执行一次 */3 3-15 * * * 3.每周六早上2点半执行 ...
- 论文翻译:2021_MetricGAN+: An Improved Version of MetricGAN for Speech Enhancement
论文地址:MetricGAN+:用于语音增强的 MetricGAN 的改进版本 论文代码:https://github.com/JasonSWFu/MetricGAN 引用格式:Fu S W, Yu ...
- LuoguB2103 图像相似度 题解
Content 给定两个 \(m\times n\) 的矩阵 \(A,B\),求 \(A,B\) 两个矩阵的相似度,精确到小数点后 \(2\) 位. 定义两个矩阵的相似度为两个矩阵对应相同元素个数占矩 ...