当前位置:首页 > 文章列表 > 文章 > php教程 > 冗余连接

冗余连接

来源:dev.to 2025-01-30 21:00:57 0浏览 收藏

今天golang学习网给大家带来了《冗余连接》,其中涉及到的知识点包括等等,无论你是小白还是老手,都适合看一看哦~有好的建议也欢迎大家在评论留言,若是看完有所收获,也希望大家能多多点赞支持呀!一起加油学习~

684。冗余连接

难度:中等

>>主题:深度优先搜索,广度优先搜索,联合查找,图形

在这个问题中,一棵树是连接且没有循环的无向图。 >您获得了一个图形,该图是从1到n标记的n个节点开始的树,并增加了一个边缘。添加的边缘具有从1到n选择的两个不同的

的顶点,并且不是已经存在的边缘。该图表示为长度为n的数组边缘,其中边缘[i] = [ai ,bi]表明节点ai 返回可以删除的边缘,以便结果图是n节点的树。如果有多个答案,请返回在输入。

>

>示例1:

>输入: edges = [[1,2],[1,3],[2,3]]

>输出:reduntant1-1-graph [2,3]

  • >>示例2:
>输入:

edges = [[1,2],[2,3],[3,4],[1,4],[1,5]] >输出:

[1,4]

reduntant1-2-graph

    >约束:
  • >
  • n == edge.length
  • 3 < = n < = 1000
  • edges [i] .length == 2

1 < = ai< b

i
    i
  • < = edges.length
  • a
  • i
  • != b
  • i
  • > 没有重复的边缘。给定的图是连接的。
  • 解决方案:
  • 冗余连接
  • 问题要求我们确定图形中的边缘,可以将图形转换为有效的树。树是连接和无环的无向图。给我们一个图形,该图是从树开始的,但通过添加一个额外的边缘进行了修改。我们的目标是找到并返回这个额外的优势。
  • >
  • 关键点

该图是未取向

和

删除冗余边缘后所得的图形必须没有周期。 答案应返回输入中出现的

最后一个

的边缘,如果有多个有效的解决方案。

由于单个额外的边缘,该图最多可以具有一个周期。
  1. 方法 该方法涉及使用>深度优先搜索(dfs)来检测周期:
  2. >邻接列表表示:
  3. >使用邻接列表来表示图形。该结构适合有效地执行df。

通过dfs

循环检测:> 在将边缘添加到图表之前,请使用dfs检查边缘两个顶点之间是否已经有一个路径。如果有的话,添加此边缘将形成一个周期。

  1. 返回边缘:

    • 如果检测到一个周期,请返回当前边缘作为冗余连接。
  2. 计划

    解析输入边缘。

      维护一个邻接列表以动态跟踪图形的连接。
    • 对于每个边缘:
    使用递归dfs函数检查两个顶点之间的路径是否存在。
  3. 如果存在路径,请返回边缘作为冗余连接。

    否则,将边缘添加到邻接列表中。

    如果找不到冗余边缘,则返回空结果(尽管这不会按照问题的限制发生)。
    • >让我们在php中实现此解决方案: 684。冗余连接

解释:

  1. dfs实现
  2. :
    • 从一个节点开始,然后递归访问其邻居。
    • 使用访问的数组避免重新访问节点。
    • 如果在遍历期间达到目标节点,则存在一条路径。
  3. edge addad
  4. :

如果在边缘的顶点之间不存在路径,请将边缘添加到邻接列表中,然后继续进行下一个边缘。

冗余边缘

:
  1. 如果已经存在路径,请在形成周期时返回当前边缘。

      示例演练
    • 示例1:
    • >输入
    • :edges = [[1,2],[1,3],[2,3]]
  2. 步骤
  3. :

    >将邻接列表初始化为[]。

      处理边缘:
    • 添加[1,2]→图:{1:[2],2:[1]}
  4. 添加[1,3]→图:{1:[2,3],2:[1],3:[1]}
  5. 检查[2,3]:dfs找到路径→返回[2,3]。

    • >输出
    • :[2,3]
    示例2:

> input

:edges = [[1,2],[2,3],[3,4],[1,4],[1,5]] 步骤

:

>将邻接列表初始化为[]。

处理边缘:

添加[1,2]→图:{1:[2],2:[1]}
  1. 添加[2,3]→图:{1:[2],2:[1,3],3:[2]}
  2. 添加[3,4]→图:{1:[2],2:[1,3],3:[2,4],4:[3]}
    • 检查[1,4]:dfs找到路径→返回[1,4]。
    • 输出
    :[1,4] 时间复杂性

dfs traversal

:

对于每个边缘,我们执行一个dfs来检查连接。> 最差的情况:

o(v e)

,其中

v
  1. 是顶点的数量,
    • e
    • 是边的数量。
    总复杂度
  2. :

由于我们为每个边缘执行dfs,因此总体复杂性为

o(e×(v e))

。
  1. 空间复杂度

    :
    • >邻接列表:
    • o(v e) 。。 访问阵列:o(v)。 总计:
    • o(v e)
  2. 。

    输出示例
    • 示例1: > input :[[1,2],[1,3],[2,3]]
    • >
    >
  3. >输出
  4. :[2,3]

    示例2:

      > input
    • :[[[1,2],[2,3],[3,4],[1,4],[1,5]] >输出:[1,4] 可以使用基于dfs的方法来有效解决该问题以检测周期。此方法动态构建图形并在每个步骤中检查冗余边缘。该解决方案通过遵守问题约束并输出形成周期并发生在输入中的边缘的边缘来确保正确性。>
    • 联系链接 如果您发现此系列有帮助,请考虑在github上给出 reposority >在您喜欢的社交网络上分享帖子。您的支持对我来说意义重大!
    • >
    • 如果您想要这样的更多有用的内容,请随时关注我:> linkedin
github

理论要掌握,实操不能落!以上关于《冗余连接》的详细介绍,大家都掌握了吧!如果想要继续提升自己的能力,那么就来关注golang学习网公众号吧!

版本声明
本文转载于:dev.to 如有侵犯,请联系study_golang@163.com删除
特斯拉将迎史诗升级:推出全新FSD付费服务版本特斯拉将迎史诗升级:推出全新FSD付费服务版本
上一篇
特斯拉将迎史诗升级:推出全新FSD付费服务版本
SpicyCamcast:轻巧的摄像头和JavaScript的屏幕截图集成
下一篇
SpicyCamcast:轻巧的摄像头和JavaScript的屏幕截图集成
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    398次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    478次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    483次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    429次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    257次使用