秒懂算法 | 满m叉树模型——图的m可着色问题的回溯算法
算法 模型 回溯 问题 着色
2023-09-11 14:20:23 时间
实例图解该问题回溯算法求解过程。
01、实例构造
给定如图5-43所示的无向连通图和m=3。
图5-43 无向连通图
图的m着色问题的搜索过程如图5-44~图5-49所示。从根节点A开始,节点A是当前的活节点,也是当前的扩展节点,它代表的状态是给定无向连通图中任何一个顶点还没有着色,如图5-44(a)所示。沿着x1=1分支扩展,满足约束条件,生成的节点B成为活节点,并且成为当前的扩展节点,如图5-44(b)所示。扩展节点B沿着x2=1分支扩展,不满足约束条件,生成的节点被剪掉。然后沿着x2=2分支扩展,满足约束条件,生成的节点C成为活节点,并且成为当前的扩展节点,如图5-44(c)所示。扩展节点C沿着x3=1,2分支扩展,均不满足约束条件,生成的节点被剪掉。然后沿着x3=3分支扩展,满足约束条件,生成的节点D成为活节点,并且成为当前的扩展节点,如图5-44(d)所示。
相关文章
- DBSCAN聚类算法原理及其实现
- Java实现 蓝桥杯VIP 算法提高 Quadratic Equation
- Paxos算法1-算法形成理论[转载]
- 程序员的算法趣题Q54: 偷懒的算盘(2)
- ML之XGBoost:Kaggle神器XGBoost算法模型的简介(资源、调优)、安装教程、使用方法、案例应用之详细攻略
- XAI之ALE:基于titanic泰坦尼克数据集对RF算法利用ALE累积局部效应图可视化算法进而实现模型可解释性案例
- ML之CatBoost:金融风控之通过数据预处理(中位数填充/校验同分布/文本型日期拆解/平均数编码-标签编码)利用CatBoost算法+模型可解释性(Shap/LIME)预测用户的车险是否为欺诈行为
- ML之ME/LF:基于不同机器学习框架(sklearn/TF)下算法的模型评估指标(损失函数)代码实现及其函数(Scoring/metrics)代码实现(仅代码)
- ML之回归预测:利用两种机器学习算法(LiR,XGBoost(调优+重要性可视化+特征选择模型))对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值
- DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(一)
- DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(五)
- 基于模拟退火算法优化的BP神经网络预测模型(Matlab代码实现)
- 基于FPGA的LFSR16位伪随机数产生算法实现,可以配置不同的随机数种子和改生成多项式,包含testbench
- 基于鲸鱼算法的极限学习机(ELM)分类算法-附代码
- 智能优化算法:海鸥优化算法-附代码
- Python实现GWO智能灰狼优化算法优化XGBoost回归模型(XGBRegressor算法)项目实战
- Python实现FA萤火虫优化算法优化支持向量机回归模型(SVR算法)项目实战
- 【思维模型】概率思维的价值:找到你的人生算法!打开你的人生格局!实现认知跃迁!
- 混合高斯模型(Mixtures of Gaussians)和EM算法
- 【youcans 的 OpenCV 例程200篇】122. 形态算法之边界提取
- CV之FR/Keras之CNN:基于Keras框架和cv2库(调用摄像头)利用卷积神经网络模型(2+1)算法实现实时人脸识别并标注姓名标签
- 目标检测算法 YOLOv8 原理解析|包揽目标检测、实例分割 SOTA