最小生成树 | 市政道路拓宽预算的优化 (Minimum Spanning Tree)

任务描述：

市政投资拓宽市区道路，本着执政为民，节省纳税人钱的目的，论证是否有必要对每一条路都施工拓宽？

这是一个连问带答的好问题。项目制学习可以上下半场，上半场头脑风暴节省投资的所有可行的思路；

下半场总结可行的思路，归为算法问题解决。

思路

MST = Minimum Spanning Tree 最小生成树

1、选择每一个节点的最短边，加入树Tree，涂成颜色标记如下：

2、同时避免形成环路,

3、遍历所有的节点，循环执行以上步骤直至所有节点都在MST中；

使用Kruskal算法求解最小生成树(Minimum Spanning Tree)的Python代码实现

#上述代码利用Kruskal算法的贪心思想, 每次选择权值最小的边加入MST, 同时避免形成环路,

#直到遍历完所有节点, 得到最小生成树的所有边。

Kruskal算法和Prim算法都是解决最小生成树（Minimum Spanning Tree，MST）问题的常用算法，但它们的工作原理和实现方式略有不同。以下是它们之间的主要区别：

  1. 工作原理：

    • Kruskal算法：Kruskal算法基于贪心策略。它首先将所有的边按权重升序排列，然后从最小权重的边开始，逐渐构建最小生成树。在构建的过程中，Kruskal算法不断选择下一条最小权重的边，但要确保选择的边不会形成环路。它使用了一个并查集（Disjoint Set）数据结构来判断边是否会形成环路。

    • Prim算法：Prim算法也是一种贪心算法，但它从一个初始顶点开始，逐步添加顶点到最小生成树中。它每次选择一个与当前最小生成树相邻的顶点，并选择连接它们的边中权重最小的那条边。这个过程一直进行，直到所有顶点都包含在最小生成树中为止。

  2. 起始点：

    • Kruskal算法：Kruskal算法不需要指定一个起始点，它从边集合出发，根据权重来构建最小生成树。

    • Prim算法：Prim算法需要指定一个起始点，它从指定的起始点开始构建最小生成树。

  3. 数据结构：

    • Kruskal算法：Kruskal算法主要依赖于边的排序和并查集数据结构，用于检测环路。

    • Prim算法：Prim算法通常使用优先队列（Priority Queue）来管理候选边和顶点，以及一个数组来维护顶点的键（键表示连接到最小生成树的最小边的权重）。

  4. 适用情况：

    • Kruskal算法：Kruskal算法适用于稀疏图，即边相对较少的情况。它不受起始点选择的限制，因此在不同起始点下可能会得到相同的最小生成树。

    • Prim算法：Prim算法适用于稠密图，即边相对较多的情况。它的最终结果可能受起始点选择的影响，因为不同的起始点可能会导致不同的最小生成树。

总的来说，Kruskal算法和Prim算法都是有效的最小生成树算法，选择哪个算法取决于具体的问题和图的性质。在实际应用中，可以根据图的密度和其他要求来选择适当的算法。

import sys
class Graph:def __init__(self):self.graph = {}def add_edge(self, u, v, w):if u not in self.graph:self.graph[u] = {}if v not in self.graph:self.graph[v] = {}self.graph[u][v] = wself.graph[v][u] = wdef prim(self):key = {}parent = {}mst_set = set()# 初始化key值为无穷大for vertex in self.graph:key[vertex] = sys.maxsize# 从起始顶点开始start_vertex = list(self.graph.keys())[0]key[start_vertex] = 0parent[start_vertex] = Nonewhile mst_set != set(self.graph.keys()):# 找到key值最小的未加入MST的顶点min_vertex = Nonefor vertex in self.graph:if vertex not in mst_set and (min_vertex is None or key[vertex] < key[min_vertex]):min_vertex = vertexmst_set.add(min_vertex)# 更新与min_vertex相邻的顶点的key值和parentfor neighbor, weight in self.graph[min_vertex].items():if neighbor not in mst_set and weight < key[neighbor]:key[neighbor] = weightparent[neighbor] = min_vertex# 构建最小生成树的边列表mst_edges = []for vertex, p in parent.items():if p is not None:mst_edges.append((p, vertex, key[vertex]))return mst_edges
创建图并添加边
g = Graph()
g.add_edge("A", "B", 10)
g.add_edge("A", "H", 11)
g.add_edge("A", "G", 14)
g.add_edge("B", "H", 12)
g.add_edge("B", "C", 16)
g.add_edge("C", "D", 15)
g.add_edge("D", "K", 13)
g.add_edge("D", "E", 14)
g.add_edge("E", "K", 13)
g.add_edge("E", "F", 17)
g.add_edge("F", "H", 17)
g.add_edge("F", "G", 16)
g.add_edge("G", "H", 13)
g.add_edge("H", "K", 15)
计算最小生成树
mst = g.prim()# 打印最小生成树的边和权重
s = 0
for u, v, w in mst:s += wprint(f"{u} - {v}: {w}")
print('total = ',s)A - B: 10
A - H: 11
H - G: 13
D - C: 15
G - F: 16
H - K: 15
K - D: 13
K - E: 13total =  106

根据图的疏密程度选择合适的最小生成树算法是一个重要的考虑因素。下面是对于不同的图疏密程度如何选择算法的一些建议：

  1. 稀疏图（Sparse Graph）：

    • Kruskal算法：对于稀疏图，通常边的数量相对较少，这使得Kruskal算法的效率较高。因为Kruskal算法不依赖于起始点，适合用于连接各个部分的边比较少的情况。如果图是非连通的，Kruskal算法也可以应对。

    • Prim算法：虽然Prim算法也可以用于稀疏图，但在这种情况下，通常Kruskal算法更具优势，因为它的时间复杂度相对较低。

  2. 稠密图（Dense Graph）：

    • Prim算法：稠密图通常包含大量的边，此时Prim算法更适合，因为它在连接到当前最小生成树的顶点之间选择边的效率更高。Prim算法的时间复杂度在稠密图中通常比Kruskal算法更低。

  3. 图的连通性：

    • Kruskal算法：如果图是非连通的，Kruskal算法可以构建最小生成森林，而不需要将图变为连通的。这在一些应用中可能很有用。

  4. 起始点选择：

    • Kruskal算法：Kruskal算法不受起始点选择的限制，因此在不同的起始点下可能会得到相同的最小生成树。这对于某些问题可能是一个优点。

    • Prim算法：Prim算法需要指定一个起始点，因此选择起始点可能会影响最终的最小生成树结果。在某些情况下，选择不同的起始点可能导致不同的最小生成树。

总的来说，根据图的疏密程度、连通性和起始点选择的灵活性来选择最小生成树算法。通常，如果图较稀疏，可以优先考虑Kruskal算法，如果图较稠密，可以优先考虑Prim算法。然而，具体的应用可能需要根据问题的特点进行权衡和选择。

同学对算法缺乏兴趣或没有时间研究的，最好的选择，也是Python的优势所在，直接导入第三方库。

额外的福利是收获直观可见的无向图，顺便学习一点可视化。

import networkx as nx
import matplotlib.pyplot as plt#1 创建一个空的无向图
G = nx.Graph()#2 添加节点
G.add_node("A")
G.add_node("B")
G.add_node("C")
G.add_node("D")
G.add_node("E")    
G.add_node("F")
G.add_node("G")
G.add_node("H")
G.add_node("K")#根据需求添加边两端连接节点#3 添加边（连接节点）
G.add_edge("A", "B", weight=10)
G.add_edge("A", "H", weight=11)
G.add_edge("A", "G", weight=14)
G.add_edge("B", "H", weight=12)
G.add_edge("B", "C", weight=16)
G.add_edge("C", "D", weight=15)
G.add_edge("D", "K", weight=13)
G.add_edge("D", "E", weight=14)
G.add_edge("E", "K", weight=13)
G.add_edge("E", "F", weight=17)
G.add_edge("F", "H", weight=17)
G.add_edge("F", "G", weight=16)
G.add_edge("G", "H", weight=13)
G.add_edge("H", "K", weight=15)# 绘制图形
pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True, node_size=700, node_color='skyblue', font_size=10, font_color='black')
labels = nx.get_edge_attributes(G, 'weight')
nx.draw_networkx_edge_labels(G, pos, edge_labels=labels)# 查找最小生成树
minimum_spanning_tree = nx.minimum_spanning_tree(G)
print("Minimum Spanning Tree Edges:")
s = 0
for edge in minimum_spanning_tree.edges(data=True):s += edge[2]['weight']print(edge)# 查找节点之间的最短路径
shortest_path = nx.shortest_path(G, source="A", target="D", weight="weight")
print("Shortest Path from A to D:", shortest_path)# 计算最短路径长度
shortest_path_length = nx.shortest_path_length(G, source="A", target="D", weight="weight")
print("Shortest Path Length from A to D:", shortest_path_length)# 查找节点之间的最短路径
shortest_path = nx.shortest_path(G, source="H", target="K", weight="weight")
print("Shortest Path from H to K:", shortest_path)# 计算最短路径长度
shortest_path_length = nx.shortest_path_length(G, source="H", target="K", weight="weight")
print("Shortest Path Length from H to K:", shortest_path_length)# Total length of Minimum Spanning Tree Edgesprint(''' totals ''')
print(minimum_spanning_tree) #Graph with 9 nodes and 8 edges
print([edge for edge in minimum_spanning_tree])
print('total length = ',s)# 显示图形
plt.show()

输出结果：

Minimum Spanning Tree Edges:
('A', 'B', {'weight': 10})
('A', 'H', {'weight': 11})
('C', 'D', {'weight': 15})
('D', 'K', {'weight': 13})
('E', 'K', {'weight': 13})
('F', 'G', {'weight': 16})
('G', 'H', {'weight': 13})
('H', 'K', {'weight': 15})Shortest Path from A to D: ['A', 'H', 'K', 'D']
Shortest Path Length from A to D: 39
Shortest Path from H to K: ['H', 'K']
Shortest Path Length from H to K: 15totals 
Graph with 9 nodes and 8 edges
['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'K']
total length =  106

与原题的图等价。

最小生成树为：

('A', 'B', {'weight': 10})

('A', 'H', {'weight': 11})

('C', 'D', {'weight': 15})

('D', 'K', {'weight': 13})

('E', 'K', {'weight': 13})

('F', 'G', {'weight': 16})

('G', 'H', {'weight': 13})

('H', 'K', {'weight': 15})

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/90849.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

web：[极客大挑战 2019]Upload

web：[极客大挑战 2019]Upload

题目 页面显示为一个上传&#xff0c;猜测上传一句话木马文件 先查看源代码看一下有没有有用的信息&#xff0c;说明要先上传图片&#xff0c;先尝试上传含有一句话木马的图片 构造payload <?php eval($_POST[123]);?> 上传后页面显示为&#xff0c;不能包含<&…
阅读更多...
“益路同行”栏目专访第11期——柳州市雨花敬老服务中心陈勇梅

“益路同行”栏目专访第11期——柳州市雨花敬老服务中心陈勇梅

中国善网在本届&#xff08;第十届&#xff09;慈展会上特别推出了《益路同行》采访栏目&#xff0c;《益路同行》栏目旨在寻觅公益之路上同行者的故事&#xff0c;挖掘公益更深层次的内涵&#xff0c;探索新时代公益发展道路。希望公益企业、人物、故事被更多人看到&#xff0…
阅读更多...
2.物联网射频识别，RFID通信原理，RFID读写器与标签无线交互方式、数据反馈方式，RFID调制与解调、编码方式，不同RFID标签与读写器

2.物联网射频识别，RFID通信原理，RFID读写器与标签无线交互方式、数据反馈方式，RFID调制与解调、编码方式，不同RFID标签与读写器

一。RFID无线识别的原理 1.RFID系统无线通信基本原理 如下图所示&#xff0c;左边是读写器&#xff08;刷卡器&#xff09;&#xff0c;右边是标签&#xff08;卡&#xff09;&#xff0c;中间通过无线通信方式。 标签&#xff1a;&#xff08;卡&#xff09; 读写器&#xff…
阅读更多...
实战项目：VB实现小鸟快跑小游戏

实战项目：VB实现小鸟快跑小游戏

文章目录&#xff1a; 一&#xff1a;效果演示 二&#xff1a;实现思路 三&#xff1a;代码实现 form1 效果图 代码 form2 效果图 代码 一&#xff1a;效果演示 效果图◕‿◕✌✌✌ 代码下载 二&#xff1a;实现思路 窗口1 就是实现窗口的跳转和关闭窗口2 1.先添加背…
阅读更多...
CSS详细基础（三）复合选择器

CSS详细基础（三）复合选择器

前两章介绍了CSS中的基础属性&#xff0c;以及一些基础的选择器&#xff0c;本贴开始介绍复合选择器的内容~ ​ 在 CSS 中&#xff0c;可以根据选择器的类型把选择器分为基础选择器和复合选择器&#xff0c;复合选择器是建立在基础选择器之上&#xff0c;对基本选择器进行组合形…
阅读更多...
ElementUI之动态树+数据表格+分页

ElementUI之动态树+数据表格+分页

目录 前言 一.ElementUI之动态树 1.前端模板演示 2.数据绑定 2.1 通过链接获取后台数据 2.2 对链接进行绑定 2.3添加动态路由 2.4 配置路由 3.效果演示 二.数据表格动态分页 1.前端模板 2.通过JS交互获取后端数据 3 效果演示 前言 Element UI 是一个基于 Vue.js 的开…
阅读更多...
IDEA Debug技巧大全，看完就能提升工作效率

IDEA Debug技巧大全，看完就能提升工作效率

作者简介 目录 1.行断点 2.方法断点 3.异常断点 4.字段断点 5.条件表达式 1.行断点 行断点就是平时我们在代码行旁边单击鼠标打上的断点&#xff0c;这个没有什么好说的。关键点在于很多人不知道的&#xff0c;行断点其实是可以右击选择是对改行的全部调用都生效&#xf…
阅读更多...
缓存一致性（cache coherency）解决方案：MESI 协议状态转换详解

缓存一致性（cache coherency）解决方案：MESI 协议状态转换详解

MESI 协议 一&#xff0c;MESI状态释义二&#xff0c;MESI状态转换1 Invalid after Reset2, Invalid > Exclusive3, Exclusive > Modified4 Modified > Shared, Invalid > Shared5 Shared > Invalid, Shared > Modified 三&#xff0c;状态转换场景总结Inval…
阅读更多...
最新影视视频微信小程序源码-带支付和采集功能/微信小程序影视源码PHP（更新）

最新影视视频微信小程序源码-带支付和采集功能/微信小程序影视源码PHP（更新）

源码简介&#xff1a; 这个影视视频微信小程序源码&#xff0c;新更新的&#xff0c;它还带支付和采集功能&#xff0c;作为微信小程序影视源码&#xff0c;它可以为用户 提供丰富的影视资源&#xff0c;包括电影、电视剧、综艺节目等。 这个小程序影视源码&#xff0c;还带有…
阅读更多...
Vue之ElementUI实现登陆及注册

Vue之ElementUI实现登陆及注册

目录 ​编辑 前言 一、ElementUI简介 1. 什么是ElementUI 2. 使用ElementUI的优势 3. ElementUI的应用场景 二、登陆注册前端界面开发 1. 修改端口号 2. 下载ElementUI所需的js依赖 2.1 添加Element-UI模块 2.2 导入Element-UI模块 2.3 测试Element-UI是否能用 3.编…
阅读更多...
IOTE 2023盛况回顾，美格智能聚连接之力促数字新生长

IOTE 2023盛况回顾，美格智能聚连接之力促数字新生长

9月20~22日&#xff0c;IOTE国际物联网展深圳站在深圳国际会展中心正式召开。本届展会以“IoT构建数字经济底座”为主题&#xff0c;聚焦物联网技术助推数字经济发展的核心动力。美格智能携前沿技术成果亮相展会&#xff0c;与参展观众深入交流。 展会上&#xff0c;美格智能带…
阅读更多...
SpringCloud Gateway--Predicate/断言（详细介绍）中

SpringCloud Gateway--Predicate/断言（详细介绍）中

&#x1f600;前言 本篇博文是关于SpringCloud Gateway–Predicate/断言&#xff08;详细介绍&#xff09;中&#xff0c;希望你能够喜欢 &#x1f3e0;个人主页&#xff1a;晨犀主页 &#x1f9d1;个人简介&#xff1a;大家好&#xff0c;我是晨犀&#xff0c;希望我的文章可以…
阅读更多...
electron之快速上手

electron之快速上手

前一篇文章已经介绍了如何创建一个electron项目&#xff0c;没有看过的小伙伴可以去实操一下。 接下来给大家介绍一下electron项目的架构是什么样的。 electron之快速上手 electron项目一般有两个进程&#xff1a;主进程和渲染进程。 主进程&#xff1a;整个项目的唯一入口&…
阅读更多...
大数据flink篇之一-基础知识

大数据flink篇之一-基础知识

一、起源 2010至2014年间&#xff0c;由柏林工业大学、柏林洪堡大学和哈索普拉特纳研究所联合发起名Stratosphere的研究项目。2014年4月&#xff0c;项目贡献给Apache基金会&#xff0c;成为孵化项目。更名为Flink2014年12月&#xff0c;成为基金会顶级项目2015年9月&#xff…
阅读更多...
分析一段js加密代码

分析一段js加密代码

源代码 (function(){var KBP,EbW482-471;function wHY(r){var y2043987;var lr.length;var a[];for(var g0;g<l;g){a[g]r.charAt(g)};for(var g0;g<l;g){var vy*(g289)(y%39401);var ty*(g287)(y%31258);var xv%l;var pt%l;var ma[x];a[x]a[p];a[p]m;y(vt)%2251814;};re…
阅读更多...
搭建自己的搜索引擎之五

搭建自己的搜索引擎之五

一、前言 接上文 搭建自己的搜索引擎之四&#xff0c;下面继续介绍茴香豆茴字的另外两种写法。 二、Jest Jest是ES的Java Http Rest客户端&#xff0c;它主要是为了弥补以前ES自有API缺少HttpRest接口客户端的不足&#xff0c;但因为现在ES官方已经提供了RestClient ,该项目已…
阅读更多...
JIT介绍

JIT介绍

JIT全称&#xff1a;Just in time。中文译为&#xff1a;即时的、实时的。 JVM中的这项技术名为&#xff1a;实时编译技术&#xff0c;也叫即时编译技术。就是在java程序运行的过程中&#xff0c;将字节码编译为机器码运行在本地&#xff0c;而不是通过JVM解释运行&#xff08;…
阅读更多...
C++ -- 特殊类设计

C++ -- 特殊类设计

目录 设计一个类&#xff0c;不能被拷贝 C98的做法 C11的做法 设计一个类&#xff0c;只能在堆上创建对象 实现方式1 实现方式2 设计一个类&#xff0c;只能在栈上创建对象 实现方式1 方式1的优化 实现方式2 设计一个类&#xff0c;不能被继承 设计模式 什么是设计…
阅读更多...
计算机竞赛 深度学习实现行人重识别 - python opencv yolo Reid

计算机竞赛 深度学习实现行人重识别 - python opencv yolo Reid

文章目录 0 前言1 课题背景2 效果展示3 行人检测4 行人重识别5 其他工具6 最后 0 前言 &#x1f525; 优质竞赛项目系列&#xff0c;今天要分享的是 &#x1f6a9; **基于深度学习的行人重识别算法研究与实现 ** 该项目较为新颖&#xff0c;适合作为竞赛课题方向&#xff0c…
阅读更多...
28 drf-Vue个人向总结-1

28 drf-Vue个人向总结-1

文章目录 前后端分离开发展示项目项补充知识开发问题浏览器解决跨域问题 drf 小tips设置资源root目录使用自定义的user表设置资源路径media数据库补充删除表中数据单页面与多页面模式过滤多层自关联后端提交的数据到底是什么jwt token登录设置普通的 token 原理使用流程解析 jw…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023