最小生成树问题

合集下载

最小生成树 课程思政

最小生成树 课程思政

用最小生成树解决生态环境问题在当今社会,生态环境问题已成为一个日益严峻的问题,而最小生成树算法可以起到帮助优化生态环境的作用。

最小生成树算法是基于图论的,可以用来解决一系列的最小化问题,比如连接一组点的最小成本、电网建设的最小成本等等。

如果将环境问题看作一张图,图中的点表示生态环境的各个要素,如山水、空气、植被等等,而边则表示这些要素之间的关系和依存。

通过最小生成树算法的计算,可以得到连接这些要素所需要的最小成本。

比如,在国家级生态公园的建设中,应用最小生成树算法可以帮助规划出最佳的发展路径和公园布局,使生态环境能够得到最好地保护和发展。

同样地,在城市规划中,也可以应用最小生成树算法来确定最佳的路网建设方案,减少城市交通的拥堵和污染。

综上所述,最小生成树算法在生态环境问题的解决中可以发挥重要作用,为环保事业的发展提供有力支持。

贪心算法通过每次选择局部最优解来达到全局最优

贪心算法通过每次选择局部最优解来达到全局最优

贪心算法通过每次选择局部最优解来达到全局最优贪心算法是一种常用的解决优化问题的算法。

它通过每次选择局部最优解来达到全局最优的目标。

在本文中,我们将介绍贪心算法的原理、应用场景以及优缺点。

一、原理贪心算法的基本原理非常简单:每一步都选择当前状态下的局部最优解,最终得到的结果就是全局最优解。

贪心算法不考虑过去的选择对未来的影响,只关注眼前的最佳选择。

二、应用场景贪心算法在各个领域都有广泛的应用,下面我们将以几个常见的实际问题来说明。

1. 图的最小生成树问题在一个连通无向图中,找到一个包含所有节点且权值最小的无回路子图,这个问题称为最小生成树问题。

贪心算法可以通过每次选择权值最小的边来逐步构建最小生成树。

2. 分糖果问题有一组孩子和一组糖果,每个孩子有一个需求因子和每个糖果有一个大小。

当糖果的大小不小于孩子的需求因子时,孩子可以获得该糖果。

目标是尽可能多地满足孩子的需求,贪心算法可以通过给每个孩子分配满足其需求因子的最小糖果来达到最优解。

3. 区间调度问题给定一个任务列表,每个任务有一个开始时间和结束时间。

目标是安排任务的执行顺序,使得尽可能多的任务能够被完成。

贪心算法可以通过选择结束时间最早的任务来实现最优解。

以上只是一些贪心算法的应用场景,实际上贪心算法可以用于解决各种优化问题。

三、优缺点1. 优点①简单:贪心算法的思路相对简单,容易理解和实现。

②高效:由于只考虑局部最优解,贪心算法的时间复杂度较低,通常能够在较短的时间内得到一个接近最优解的结果。

③可用于近似求解:由于贪心算法不保证得到全局最优解,但可以用于求解近似最优解的问题。

2. 缺点①不保证全局最优解:贪心算法只考虑眼前的最优选择,无法回溯和修正过去的选择,因此不能保证得到全局最优解。

②局部最优解无法转移:在某些情况下,局部最优解并不一定能够转移到全局最优解,导致贪心算法得到的结果偏离最优解。

③对问题的要求较高:由于贪心算法需要找到适合的局部最优解,因此问题必须具备一定的特殊性,而一些问题无法使用贪心算法解决。

曼哈顿距离最小生成树

曼哈顿距离最小生成树

曼哈顿距离最小生成树曼哈顿距离最小生成树(ManhattanMinimumSpanningTree)是一种在多维空间(N维空间)里寻找最小代价连接任何两个点的有效算法。

它使用曼哈顿距离作为代价并且能够在多维空间中解决最短路径问题。

曼哈顿距离是一种特殊的距离度量,用来测量在一个N维空间中任意两点之间的距离。

它能够很好地表达在有权重约束的多维空间中任意点之间的最短路径。

曼哈顿距离最小生成树以贪心算法的形式实现,能够有效地解决多维空间中的最短路径问题。

它的核心思想是从一个现有的最小生成树开始,不断的增加新的元素来加强和扩展树的结构。

曼哈顿距离最小生成树的基本步骤如下:(1)从空树开始,任意选取一个节点作为初始节点。

(2)以曼哈顿距离为标准,从剩余的n-1个节点中找出与初始节点距离较近的节点,从而构成一个最小生成树。

(3)重复步骤(2),直至最小生成树中包含所有节点,此时得到了一颗曼哈顿距离最小生成树。

曼哈顿距离最小生成树的一个重要特性是它有一个非常直接的应用:它能够帮助我们解决计算最短路径的问题,也就是计算从某个固定起点到任意终点的最短路径。

使用曼哈顿距离最小生成树来计算最短路径的过程如下:(1)先构造一颗曼哈顿距离最小生成树。

(2)对最小生成树中每条边计算曼哈顿距离,并保存到一个表中。

(3)对最小生成树中每个节点,根据曼哈顿距离计算出从起点到该节点的最短距离,并保存到一个表中。

(4)搜索表中最短路径,找到从起点到终点的最短路径,也就是从起点到终点的最短路径。

曼哈顿距离最小生成树在多维空间中解决最短路径问题时,具有非常强大的功能。

它能够快速、高效地找到任意两点之间的最短路径,而无需考虑权重的约束。

这样,它就成为了一种非常有效的最小代价连接算法,在多维空间中广泛应用。

总的来说,曼哈顿距离最小生成树是在多维空间中解决最短路径问题的一种经典算法。

它使用曼哈顿距离作为代价,能够快速、高效地找到任意两点之间的最短路径,而无需考虑权重的约束。

最小生成树题目

最小生成树题目

最小生成树题目 最小生成树是图论中的一个重要概念,被广泛应用于路由算法、网络设计、电力传输等领域。

最小生成树问题可以简单描述为:给定一个连通图,选择一些边使得图中所有节点都能够连接,并且总边权之和最小。

最小生成树题目是在解决最小生成树问题时所遇到的具体情境。

以下通过分析两个不同的最小生成树题目,来理解最小生成树算法的应用。

题目1:某城市的道路规划 假设一个城市有多个地区,每个地区之间需要建立道路来连接。

已知每条道路的长度,在保证每个地区都能连通的情况下,设计一个道路规划方案,使得总道路长度最小。

解题思路: 1、首先,根据题目中给出的道路长度,建立一个无向带权图。

其中,每个地区对应图的节点,道路对应图的边,道路长度对应边的权值。

2、通过使用Kruskal或Prim算法,从这个带权图中构建最小生成树,即选取一些道路使得所有地区连通,并且这些道路的权值之和最小。

3、最小生成树即为最优的道路规划方案,输出最小生成树的边集合即可。

题目2:电力传输网络设计 某地区有多个居民点,需要建立电力传输网络来确保每个居民点都能接收到电力供应。

已知每个居民点之间建立电力线路的成本,在保证每个居民点都能接收到电力供应的情况下,设计一个电力传输网络,使得总成本最小。

解题思路: 1、根据题目给出的电力线路成本,建立一个带权完全图。

其中,每个居民点对应图的节点,电力线路对应图的边,电力线路成本对应边的权值。

2、通过使用Kruskal或Prim算法,从这个带权图中构建最小生成树,即选取一些电力线路使得所有居民点都能接收到电力供应,并且这些电力线路的成本之和最小。

3、最小生成树即为最优的电力传输网络设计方案,输出最小生成树的边集合即可。

最小生成树问题是一个经典的优化问题,通过构建最小生成树,我们可以找到图中连接所有节点的最优边集合。

在实际应用中,最小生成树算法可以帮助我们进行有效的资源分配、网络规划等决策。

总体来说,最小生成树题目涉及到图的建模和优化算法的运用。

最小生成树问题课程设计

最小生成树问题课程设计

最小生成树问题课程设计一、课程目标知识目标:1. 理解最小生成树的概念,掌握其定义及性质;2. 学会运用普里姆(Prim)算法和克鲁斯卡尔(Kruskal)算法求解最小生成树问题;3. 了解最小生成树在实际问题中的应用,如网络设计、电路设计等。

技能目标:1. 能够运用普里姆和克鲁斯卡尔算法解决最小生成树问题,并进行算法分析;2. 能够运用所学知识解决实际问题,具备一定的算法设计能力;3. 能够通过合作与交流,提高问题分析和解决问题的能力。

情感态度价值观目标:1. 培养学生对数据结构与算法的兴趣,激发学习热情;2. 培养学生的团队合作意识,学会倾听、尊重他人意见;3. 培养学生面对问题勇于挑战、积极进取的精神。

课程性质:本课程为计算机科学与技术专业的高年级课程,旨在帮助学生掌握图论中的最小生成树问题及其求解方法。

学生特点:学生具备一定的编程基础和图论知识,对算法有一定的了解,但可能对最小生成树问题尚不熟悉。

教学要求:结合学生特点,采用案例教学、任务驱动等方法,注重理论与实践相结合,培养学生的实际操作能力和创新思维。

通过本课程的学习,使学生能够将所学知识应用于实际问题中,提高解决复杂问题的能力。

二、教学内容1. 最小生成树概念与性质- 定义、性质及定理- 最小生成树的构建方法2. 普里姆算法- 算法原理与步骤- 算法实现与复杂度分析- 举例应用3. 克鲁斯卡尔算法- 算法原理与步骤- 算法实现与复杂度分析- 举例应用4. 最小生成树在实际问题中的应用- 网络设计- 电路设计- 其他领域应用案例5. 算法比较与优化- 普里姆与克鲁斯卡尔算法的比较- 算法优化方法及其适用场景6. 实践环节- 编程实现普里姆和克鲁斯卡尔算法- 分析并解决实际问题- 小组讨论与成果展示教学内容依据课程目标进行选择和组织,注重科学性和系统性。

参考教材相关章节,制定以下教学安排:第1周:最小生成树概念与性质第2周:普里姆算法第3周:克鲁斯卡尔算法第4周:最小生成树在实际问题中的应用第5周:算法比较与优化第6周:实践环节与总结三、教学方法本课程将采用以下多样化的教学方法,以激发学生的学习兴趣和主动性:1. 讲授法:教师通过生动的语言和形象的比喻,对最小生成树的概念、性质、算法原理等基础知识进行讲解,使学生快速掌握课程内容。

最小生成树问题

最小生成树问题

2.1 最小生成树

树T(V,E)的性质:



E 树的边数等于其顶点数减“1”,即 V 1 ; 树的任意两个顶点之间恰有一条初级链相连接; 在树中任意去掉一条边后,便得到一个不连通的 图; 在树中任意两个顶点之间添加一条新边,所得新 图恰有一个初级圈。
例如,图 6.4.1 给出的 G1 和 G2 是树,但 G3 和 G4 则不是树。
44
44 69
结果显示于图
求最小生成树的 Prim 算法
Prim 算法的直观描述 假设 T0 是赋权图 G 的最小生成树。任选一 个顶点将其涂红,其余顶点为白点;在一个端 点为红色,另一个端点为白色的边中,找一条 权最小的边涂红,把该边的白端点也涂成红色; 如此,每次将一条边和一个顶点涂成红色,直 到所有顶点都成红色为止。最终的红色边便构 成最小生成树 T0 的边集合。
在求最小生成树的有效算法中,最著名的两个是 Kruskal(克罗斯克尔)算法和 Prim(普瑞姆)算法, 其迭代过程都是基于贪婪法来设计的。 1.求最小生成树的 Kruskal 算法
Kruskal 算法的直观描述 假设 T0 是赋权图 G 的最小生成树,T0 中的边和 顶点均涂成红色,初始时 G 中的边均为白色。 ① 将所有顶点涂成红色; ② 在白色边中挑选一条权值最小的边,使其与红 色边不形成圈,将该白色边涂红; ③ 重复②直到有 n1 条红色边,这 n1 条红色边 便构成最小生成树 T0 的边集合。
最小生成树算法
一个简单连通图只要不是树,其生成树就不唯 一,而且非常多。一般地,n 个顶点地完全图,其 不同地生成树个数为 nn2。因而,寻求一个给定赋 权图的最小生成树,一般是不能用穷举法的。例如, 30 个顶点的完全图有 3028个生成树,3028 有 42 位, 即使用最现代的计算机,在我们的有生之年也是无 法穷举的。所以,穷举法求最小生成树是无效的算 法,必须寻求有效的算法。

国家集训队2004论文集_汪汀

国家集训队2004论文集_汪汀
证明:⑴必要性 设 T 是最小 k 度限制生成树,则Ⅰ,Ⅱ显然成立。 以下证明 Ⅲ:由Ⅰ,Ⅱ
可知如果(+a1,-b2)和(+a2,-b1)都是 T 的可行交换,则有ω(b2)≤ω(a1),ω(b1)≤ω (a2),故ω(b1)+ω(b2)≤ω(a1)+ω(a2); 否则,或者(+a1,-b2)或者(+a2,-b1)不是 T 的 可行交换,根据引理 1,T’=T+{a1,a2}-{b1,b2}仍然是 T 的 k 度限制生成树,则ω (T)≤ω(T’),故ω(b1)+ω(b2)≤ω(a1)+ω(a2)。 ⑵充分性
综上,求最小 k 度限制生成树算法总的时间复杂度为 O(Vlog2V+E+kV)。
3、次小生成树
3.1、次小生成树的定义
设 G=(V,E,w)是连通的无向图,T 是图 G 的一个最小生成树。如果有另一棵树 T1,满 足不存在树 T’,ω(T’)<ω(T1) ,则称 T1 是图 G 的次小生成树。
3.2、求解次小生成树的算法
通过上述定理,我们就有了解决次小生成树问题的基本思路。 首先先求该图的最小生成树 T。时间复杂度 O(Vlog2V+E) 然后,求 T 的邻集中权值和最小的生成树,即图 G 的次小生成树。 如果只是简单的枚举,复杂度很高。首先枚举两条边的复杂度是 O(VE),再判断该交换是否 可行的复杂度是 O(V),则总的时间复杂度是 O(V2E)。这样的算法显得很盲目。经过简单的 分析不难发现,每加入一条不在树上的边,总能形成一个环,只有删去环上的一条边,才能 保证交换后仍然是生成树,而删去边的权值越大,新得到的生成树的权值和越小。我们可以 以此将复杂度降为 O(VE)。这已经前进了一大步,但仍不够好。 回顾上一个模型——最小度限制生成树,我们也曾面临过类似的问题,并且最终采用动态规 划的方法避免了重复计算,使得复杂度大大降低。对于本题,我们可以采用类似的思想。首 先做一步预处理,求出树上每两个结点之间的路径上的权值最大的边,然后,枚举图中不在

最值问题的常用解法及模型

最值问题的常用解法及模型

最值问题的常用解法及模型最值问题是指在一定条件下,找出某一组数据中的最大值或最小值。

这类问题在实际生活中经常出现,比如求最大收益、最小成本、最短路程等。

常用解法:1.暴力枚举法暴力枚举法是指对于所有可能的情况都进行尝试,然后找出其中符合条件的最大值或最小值。

虽然该方法在理论上是可行的,但是在实际情况下往往需要耗费大量时间和计算资源。

2.贪心算法贪心算法是指每次选择当前状态下的最优解,然后再基于该解进一步进行优化。

该方法通常适用于具有单调性或者局部最优解等特点的问题。

3.动态规划动态规划是指将原问题拆分成若干个子问题,并将其逐步求解,直到得到原问题的解。

该方法通常适用于具有重叠子问题和无后效性等特点的问题。

4.分治算法分治算法是指将原问题拆分成若干个相互独立的子问题,并对每个子问题进行求解,然后将各个子问题的结果合并起来得到原问题的解。

该方法通常适用于具有可重复性和可并行性等特点的问题。

模型:1.最大子序列和问题最大子序列和问题是指在一个数列中找到一个连续的子序列,使得该子序列的元素之和最大。

该问题可以采用动态规划或贪心算法进行求解。

2.最小生成树问题最小生成树问题是指在一个带权无向图中找到一棵包含所有顶点且权值之和最小的生成树。

该问题可以采用Prim算法或Kruskal算法进行求解。

3.背包问题背包问题是指在一定容量下,选择若干个物品放入背包中,使得这些物品的价值之和最大。

该问题可以采用动态规划或贪心算法进行求解。

4.矩阵链乘法矩阵链乘法是指给定若干个矩阵,将它们相乘得到一个结果矩阵,使得计算过程中所需的乘法次数最少。

该问题可以采用动态规划进行求解。

总结:最值问题是一类重要的数学计算问题,在实际生活中具有广泛应用。

针对不同类型的最值问题,我们可以采用不同的解决方法和模型进行求解。

通过深入理解这些方法和模型,并灵活运用它们,我们可以更加高效地解决各种实际问题。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

榆林学院12届课程设计《最小生成树问题》课程设计说明书学生姓名:赵佳学号: 1412210112院系:信息工程学院专业:计算机科学与技术班级:计14本1指导教师:答辩时间:年月日最小生成树问题一、问题陈述最小生成树问题设计要求:在n个城市之间建设网络,只需保证连通即可,求最经济的架设方法。

存储结构采用多种。

求解算法多种。

二、需求分析1.在n个城市之间建设网络,只需保证连通即可。

2.求城市之间最经济的架设方法。

3.采用多种存储结构,求解算法也采用多种。

三、概要设计1、功能模块图2、功能描述(1) CreateUDG()创建一个图:通过给用户信息提示,让用户将城市信息及城市之间的联系关系和连接权值写入程序,并根据写入的数据创建成一个图。

(2) Switch()功能选择:给用户提示信息,让用户选择相应功能。

(3) Adjacency_Matrix()建立邻接矩阵:将用户输入的数据整理成邻接矩阵并显现在屏幕上。

(4) Adjacency_List()建立邻接表:将用户输入的数据整理成临接表并显现在屏幕上。

(5) MiniSpanTree_KRSL()kruskal算法:利用kruskal算法求出图的最小生成树,即:城市之间最经济的连接方案。

(6) MiniSpanTree_PRIM()PRIM算法:利用PRIM算法求出图的最小生成树,即:城市之间最经济的连接方案。

四、详细设计本次课程设计采用两种存储结构以及两种求解算法。

1、两种存储结构的存储定义如下:typedef struct Arcell{double adj;}Arcell,AdjMatrix[MAX_VERTEX_NUM][MAX_VERTEX_NUM];typedef struct{char vexs[MAX_VERTEX_NUM]; //节点数组AdjMatrix arcs; //邻接矩阵int vexnum,arcnum; //图的当前节点数和弧数}MGraph;typedef struct Pnode //用于普利姆算法{ char adjvex; //节点double lowcost; //权值}Pnode,Closedge[MAX_VERTEX_NUM];//记录顶点集U到V-U的代价最小的边的辅助数组定义typedef struct Knode//用于克鲁斯卡尔算法中存储一条边及其对应的2个节点{char ch1; //节点1char ch2; //节点2double value;//权值}Knode,Dgevalue[MAX_VERTEX_NUM];2、求解算法采用Prim算法和Kruskal算法。

(1)普里姆算法(Prim)算法普里姆算法(Prim)算法是一种构造性算法,生成最小生成树的步骤如下:初始化U={v}。

以v到其他顶点的所有边为候选边。

重复一下步骤(n-1)次,使得其他(n-1)个顶点被加入到U中。

○1从候选边中挑选权值最小的边加入TE,设该边在V—U中的顶点是vk,将顶点vk加入到U中;○2考察当前V—U中的所有顶点vj ,修改候选边:若(vk,vj)的权值小于原来和vj关联的候选边,则用(vk,vj)取代后者作为候选边。

(2)克鲁斯卡尔(Kruskal)算法克鲁斯卡尔(Kruskal)算法是一种按权值的递增次序选择合适的边来构造最小生成树的方法。

假设G=(V,E)是一个具有n个顶点的带权连通无向图,T=(U,TE)是G的最小生成树,则构造最小生成树的步骤如下:置U的初值等于V(即包含有G中的全部顶点),TE的初值为空集(即图T中每一个顶点都构成一个分量)。

将图G中的边按权值从小到大的顺序依次选取:若选取的边未使生成树T形成回路,则加入TE,否则舍弃,直到TE中包含(n-1)条边为止。

3、使用的函数int CreateUDG(MGraph & G,Dgevalue & dgevalue); int LocateVex(MGraph G,char ch);int Minimum(MGraph G,Closedge closedge);void MiniSpanTree_PRIM(MGraph G,char u);void Sortdge(Dgevalue & dgevalue,MGraph G); void Adjacency_Matrix(MGraph G);void Adjacency_List(MGraph G,Dgevalue dgevalue);函数之间的调用关系图:五、程序代码#include<stdio.h>#include<stdlib.h>#include<iostream.h>#define MAX_VERTEX_NUM 20#define OK 1#define ERROR 0#define MAX 1000typedef struct Arcell{double adj;}Arcell,AdjMatrix[MAX_VERTEX_NUM][MAX_VERTEX_NUM]; typedef struct{char vexs[MAX_VERTEX_NUM]; //节点数组AdjMatrix arcs; //邻接矩阵int vexnum,arcnum; //图的当前节点数和弧数}MGraph;typedef struct Pnode //用于普利姆算法{char adjvex; //节点double lowcost; //权值}Pnode,Closedge[MAX_VERTEX_NUM];//记录顶点集U到V-U的代价最小的边的辅助数组定义typedef struct Knode//用于克鲁斯卡尔算法中存储一条边及其对应的2个节点{char ch1; //节点1char ch2; //节点2double value;//权值}Knode,Dgevalue[MAX_VERTEX_NUM];int CreateUDG(MGraph & G,Dgevalue & dgevalue);int LocateVex(MGraph G,char ch);int Minimum(MGraph G,Closedge closedge);void MiniSpanTree_PRIM(MGraph G,char u);void Sortdge(Dgevalue & dgevalue,MGraph G);void Adjacency_Matrix(MGraph G);void Adjacency_List(MGraph G,Dgevalue dgevalue);int CreateUDG(MGraph & G,Dgevalue & dgevalue)//构造无向加权图的邻接矩阵{int i,j,k;cout<<"请输入城市个数及其之间的可连接线路数目:";cin>>G.vexnum>>G.arcnum;cout<<"请输入各个城市名称(分别用一个字符代替):";for(i=0;i<G.vexnum;++i)cin>>G.vexs[i];for(i=0;i<G.vexnum;++i)//初始化数组for(j=0;j<G.vexnum;++j){G.arcs[i][j].adj=MAX;}cout<<"请输入两个城市名称及其连接费用(严禁连接重复输入!):"<<endl; for(k=0;k<G.arcnum;++k){cin >> dgevalue[k].ch1 >> dgevalue[k].ch2 >> dgevalue[k].value;i = LocateVex(G,dgevalue[k].ch1);j = LocateVex(G,dgevalue[k].ch2);G.arcs[i][j].adj = dgevalue[k].value;G.arcs[j][i].adj = G.arcs[i][j].adj;}return OK;}int LocateVex(MGraph G,char ch) //确定节点ch在图G.vexs中的位置{int a ;for(int i=0; i<G.vexnum; i++)if(G.vexs[i] == ch)a=i;return a;}void Adjacency_Matrix(MGraph G) //用邻接矩阵存储数据{int i,j;for(i=0; i<G.vexnum; i++){for(j=0; j<G.vexnum; j++)if(G.arcs[i][j].adj==MAX)cout<<0<<" ";elsecout<<G.arcs[i][j].adj<<" ";cout<<endl;}}void Adjacency_List(MGraph G,Dgevalue dgevalue) //用邻接表储存数据{int i,j;for(i=0;i<G.vexnum;i++){cout<<G.vexs[i]<<"->";for(j=0;j<G.arcnum;j++)if(dgevalue[j].ch1==G.vexs[i]&&dgevalue[j].ch2!=G.vexs[i]) cout<<dgevalue[j].ch2<<"->";else if(dgevalue[j].ch1!=G.vexs[i]&&dgevalue[j].ch2==G.vexs[i]) cout<<dgevalue[j].ch1<<"->";cout<<"\b\b "<<endl;}}void MiniSpanTree_KRSL(MGraph G,Dgevalue & dgevalue)//克鲁斯卡尔算法求最小生成树{int p1,p2,i,j;int bj[MAX_VERTEX_NUM]; //标记数组for(i=0; i<G.vexnum; i++) //标记数组初始化bj[i]=i;Sortdge(dgevalue,G);//将所有权值按从小到大排序for(i=0; i<G.arcnum; i++){p1 = bj[LocateVex(G,dgevalue[i].ch1)];p2 = bj[LocateVex(G,dgevalue[i].ch2)];if(p1 != p2){cout<<" 城市"<<dgevalue[i].ch1<<"与城市"<<dgevalue[i].ch2<<"连接。

相关文档
最新文档