并查集与例题题解.docVIP

树结构的并查集 采用树结构支持并查集的计算能够满足我们的要求。并查集与一般的树结构不同，每个顶点纪录的不是它的子结点，而是将它的父结点记录下来。下面是树结构的并查集的两种运算方式 ⑴直接在树中查询 ⑵边查询边“路径压缩” 对应与前面的链式存储结构，树状结构的优势非常明显：编程复杂度低；时间效率高。 直接在树中查询 集合的合并算法很简单，只要将两棵树的根结点相连即可，这步操作只要O（1）时间复杂度。算法的时间效率取决于集合查找的快慢。而集合的查找效率与树的深度呈线性关系。因此直接查询所需要的时间复杂度平均为O（logN）。但在最坏情况下，树退化成为一条链，使得每一次查询的算法复杂度为O（N）。 边查询边“路径压缩 其实，我们还能将集合查找的算法复杂度进一步降低：采用“路径压缩”算法。它的想法很简单：在集合的查找过程中顺便将树的深度降低。采用路径压缩后，每一次查询所用的时间复杂度为增长极为缓慢的ackerman函数的反函数——α（x）。对于可以想象到的n，α（n）都是在5之内的。 并查集：(union-find sets)是一种简单的用途广泛的集合. 并查集是若干个不相交集合，能够实现较快的合并和判断元素所在集合的操作，应用很多。一般采取树形结构来存储并查集，并利用一个rank数组来存储集合的深度下界，在查找操作时进行路径压缩使后续的查找操作加速。这样优化实现的并查集，空间复杂度为O(N)，建立一个集合的时间复杂度为O(1)，N次合并M查找的时间复杂度为O(M Alpha(N))，这里Alpha是Ackerman函数的某个反函数，在很大的范围内（人类目前观测到的宇宙范围估算有10的80次方个原子，这小于前面所说的范围）这个函数的值可以看成是不大于4的，所以并查集的操作可以看作是线性的。它支持以下三中种操作: 　　－Union (Root1, Root2) //并操作；把子集合Root2并入集合Root1中.要求：Root1和 Root2互不相交,否则不执行操作. 　　－Find (x) //搜索操作；搜索单元素x所在的集合,并返回该集合的名字. 　　－UFSets (s) //构造函数。将并查集中s个元素初始化为s个只有一个单元素的子集合. 　　－对于并查集来说，每个集合用一棵树表示。 　　－集合中每个元素的元素名分别存放在树的结点中，此外，树的每一个结点还有一个指向其双亲结点的指针。 　　－设 S1= {0, 6, 7, 8 }，S2= { 1, 4, 9 }，S3= { 2, 3, 5 } －为简化讨论，忽略实际的集合名，仅用表示集合的树的根来标识集合。 　　－为此，采用树的双亲表示作为集合存储表示。集合元素的编号从0到 n-1。其中 n 是最大元素个数。在双亲表示中，第 i 个数组元素代表包含集合元素 i 的树结点。根结点的双亲为-1，表示集合中的元素个数。为了区别双亲指针信息( ≥ 0 )，集合元素个数信息用负数表示。　　　 下标 parent 集合S1, S2和S3的双亲表示: 　　　 S1 ∪ S2的可能的表示方法 const int DefaultSize = 10; 　　class UFSets { //并查集的类定义 　　private: 　　　int *parent; 　　　int size; 　　public: 　　　UFSets ( int s = DefaultSize ); 　　　~UFSets ( ) { delete [ ] parent; } 　　　UFSets operator = ( UFSets const Value );//集合赋值 　　　void Union ( int Root1, int Root2 ); 　　　int Find ( int x ); 　　　void UnionByHeight ( int Root1, int Root2 ); }; 　　　UFSets::UFSets ( int s ) { //构造函数 　　　size = s; 　　　parent = new int [size+1]; 　　　for ( int i = 0; i = size; i++ ) parent[i] = -1; 　　} 　　unsigned int UFSets::Find ( int x ) { //搜索操作 　　　if ( parent[x] = 0 ) return x; 　　　else return Find ( parent[x] ); 　　} 　　void UFSets::Union ( int Root1, int Root2 ) { //并 　　　parent[Root2] = Ro