信用网站系统建设方案阿里云服务器建设网站选择那个镜像

对于并查集这个算法一直一知半解，似懂非懂……

今天正好碰到一个相关的题目，就拿出来研究一下，顺带再深入理解一下并查集这个算法

题目分析

已知条件1：小苯来到一座山脉，山脉中有n座山，每座山有一个高度，山与山之间有路径相连……

从这个条件我们大概可以知道这道题是要考察图论的算法，这里的每座山可以抽象成一个节点，山与山的路径可以抽象成节点的边

已知条件2：a号山和b号山之间如果有路径的话，可以从a走到b，也可以从b走到a……

从这个条件来看，它的意思是想告诉我们节点间的边没有方向，这是个无向图

已知条件3：如果两座山之间的高度差大于k，那么就不会走这条路，然后他提出了q次查询，如果高度差大于k的路他不走，能够找到一条路从a山到b山呢？

即如果两个节点的差值大于k，那么就把这条边删除，这样删完之后，从节点a到节点b是否还有连通的路径，是则返回YES，不是则返回NO。

这样把题目条件拆解开，突然发现题目就一目了然了！把题目分析清楚，再找对应的解题方法就简单多了！

这就是图论中一个经典的离线查询问题！

关于图论中的离线查询问题

在图论中，离线查询问题指的是：所有查询在处理开始前就已全部给出，我们可以先对查询和图的信息进行预处理（如排序、重组织等），再批量处理所有查询，从而获得更高的效率。

与之相对的是在线查询问题：每次查询单独给出，必须立即处理并返回结果，无法利用后续查询的信息。

离线查询的核心优势

通过 “提前知晓所有查询” 的特性，可以对查询和图数据进行全局优化，常见策略包括：

• 排序：将查询和图的边 / 节点按特定规则排序（如按权重、阈值等），使处理过程更高效（如本文代码中按k排序查询，按diff排序边）。
• 批量处理：一次性处理多个查询，避免重复计算（如用并查集动态维护连通性，一次性添加符合条件的边）。
• 复杂数据结构优化：结合线段树、树状数组等，通过预处理降低单查询的时间复杂度。

图论中常见的离线查询问题

• 连通性查询：如本题目，判断 “当边的权重≤k 时，两个节点是否连通”。
• 路径查询：如 “求多个查询中，两点间路径的最大边权最小值”。
• 最短路径查询：在静态图中处理多个最短路径查询（如 Floyd 算法本质是离线处理所有点对查询）。
• 计数问题：如 “统计多个查询中，满足特定条件的路径 / 节点数量”。

核心思路

采用离线处理策略：将所有查询和边按特定规则排序，然后用并查集（Union-Find） 动态添加符合条件的边，高效判断节点连通性。具体来说：

• 边按 “高度差绝对值” 从小到大排序；
• 查询按 “阈值 k” 从小到大排序；
• 按 k 从小到大处理查询，每次先添加所有高度差≤当前 k 的边，再判断两个节点是否连通。

代码实现

1、定义节点和边的结构体

struct Edge {int u, v, diff;  // u、v：边的两个端点；diff：两点高度差的绝对值Edge(int u_, int v_, int diff_) : u(u_), v(v_), diff(diff_) {}bool operator<(const Edge& other) const {  // 进行小于号的运算符重载return diff < other.diff;  // 按diff升序排序}
};struct Query {int a, b, k, idx;  // a、b：查询的两个节点；k：阈值；idx：查询原始索引（用于结果排序）Query(int a_, int b_, int k_, int idx_) : a(a_), b(b_), k(k_), idx(idx_) {}bool operator<(const Query& other) const {  // 进行小于号的运算符重载return k < other.k;  // 按k升序排序}
};

• Edge：存储边的信息，重载<用于按高度差排序。
• Query：存储查询的信息，重载<用于按阈值 k 排序，idx用于最终结果按原始查询顺序输出。

2、并查集（Union-Find）实现

vector<int> parent;  // 存储每个节点的父节点int find(int x) {  // 查找x的根节点（带路径压缩优化）if (parent[x] != x) { // 如果x的父节点不是自己，那么说明x不是根节点，就继续往上查找parent[x] = find(parent[x]);  // 路径压缩：直接指向根节点}return parent[x];
}
void unite(int x, int y) {  // 合并x和y所在的集合x = find(x);  // 找到x的根节点y = find(y);  // 找到y的根节点if (x != y) {  // 若不在同一集合，合并（将y的根指向x的根）parent[y] = x;}
}

并查集是一种高效处理 “动态连通性” 问题的数据结构，支持两种核心操作：

• find(x)：查找 x 所在集合的根节点（路径压缩优化使查询接近 O (1)）。
• unite(x, y)：将 x 和 y 所在的集合合并。

3、main函数逻辑

int main() {ios::sync_with_stdio(false);  // 关闭输入输出同步，加速cin/coutcin.tie(nullptr);int n, m, q;cin >> n >> m >> q;  // n：节点数；m：边数；q：查询数// 读取每个节点的高度（1-based索引，节点编号1~n）vector<int> h(n + 1);for (int i = 1; i <= n; ++i) {cin >> h[i];}// 读取所有边，计算高度差绝对值，存入edgesvector<Edge> edges;for (int i = 0; i < m; ++i) {int u, v;cin >> u >> v;int diff = abs(h[u] - h[v]);  // 边的权重：高度差绝对值edges.emplace_back(u, v, diff);}// 读取所有查询，存入queries（记录原始索引idx）vector<Query> queries;for (int i = 0; i < q; ++i) {int a, b, k;cin >> a >> b >> k;queries.emplace_back(a, b, k, i);  // idx=i表示第i个查询}// 关键：边按diff升序排序，查询按k升序排序sort(edges.begin(), edges.end());sort(queries.begin(), queries.end());// 初始化并查集：每个节点的父节点是自己parent.resize(n + 1);for (int i = 1; i <= n; ++i) {parent[i] = i;}vector<string> res(q);  // 存储查询结果（按原始索引顺序）int edge_idx = 0;  // 记录已添加到并查集的边的索引// 按k从小到大处理每个查询for (const auto& query : queries) {int a = query.a, b = query.b, k = query.k, idx = query.idx;// 第一步：添加所有diff ≤ 当前查询k的边（因为边已按diff排序）while (edge_idx < m && edges[edge_idx].diff <= k) {unite(edges[edge_idx].u, edges[edge_idx].v);  // 合并边的两个端点edge_idx++;  // 移动到下一条边}// 第二步：判断a和b是否连通（根节点是否相同）if (find(a) == find(b)) {res[idx] = "YES";  // 连通} else {res[idx] = "NO";   // 不连通}}// 按原始查询顺序输出结果for (const string& ans : res) {cout << ans << '\n';}return 0;
}

核心逻辑梳理

• 输入读取：节点高度、边信息（计算高度差）、查询信息（记录原始索引）。
• 排序：边按高度差升序，查询按 k 升序（确保处理查询时，边是从小到大依次添加的）。

离线处理：

• 用edge_idx跟踪已添加的边，对于每个查询（按 k 从小到大），先添加所有高度差≤k 的边。
• 边添加完成后，用并查集判断 a 和 b 是否连通，结果存入res的对应索引（保证原始顺序）。
• 输出结果：按原始查询顺序输出所有结果。

时间复杂度

• 排序边：O (m log m)
• 排序查询：O (q log q)
• 处理查询和添加边：每个边被添加一次，每个查询的find操作接近 O (1)（并查集路径压缩优化），总复杂度 O (m + q α(n))（α 是阿克曼函数，增长极慢，可视为常数）。

整体复杂度为 O (m log m + q log q)，适合处理大规模数据。

关于这道题目中，对边按照差值diff从小到大排序，对查询按照k值从小到大排序的重要性

在这个问题中，边按差值（diff）排序、查询按k排序是核心优化手段，目的是配合并查集的特性实现高效处理。如果不排序，要么逻辑上无法正确执行，要么时间复杂度会大幅上升，失去算法的优势。

为什么必须排序？

我们先回顾核心逻辑：对于每个查询(a, b, k)，需要判断 “只保留高度差≤k的边时，a和b是否连通”。
要高效解决这个问题，关键依赖并查集的 “增量合并” 特性：并查集擅长 “合并集合”，但不擅长 “拆分集合”（一旦两个节点被合并，很难再分开）。

边按diff排序 + 查询按k排序的必要性

• 查询按k从小到大排序：
  当我们按k从小到大处理查询时，每次处理的k是递增的。这意味着：之前加入并查集的边（diff ≤ 前一个k），一定满足当前k’ ≥ 前一个k，因此这些边仍然有效，不需要移除。
  例如：处理k=2的查询时，之前为k=1加入的边（diff ≤1）仍然满足diff ≤2，可以继续保留在并查集中。
• 边按diff从小到大排序：
  配合查询的排序，我们可以用一个指针（如代码中的edge_idx）依次扫描边。每次处理查询时，只需添加所有diff ≤ 当前k且尚未加入的边（因为边已按diff排序，指针只会向前移动，不会回头）。这样每个边只会被添加一次，总耗时O(m)。

不排序会导致什么问题？

如果不排序，有两种可能的处理方式，但都会存在严重问题：

• 不排序查询，仍按原逻辑处理
  假设查询顺序是随机的（例如先处理k=5，再处理k=2）：
  处理k=5时，会加入所有diff ≤5的边，合并大量集合。
  处理k=2时，需要 “只保留diff ≤2的边”，但并查集无法拆分之前合并的集合（例如diff=3的边在k=5时被加入，现在需要移除，但并查集做不到）。
  此时判断的连通性会包含diff>2的边的影响，结果完全错误。
• 不排序边，按查询顺序处理
  即使查询按k排序，但边不排序：
  每次处理查询时，需要遍历所有边，检查是否diff ≤ 当前k且未加入过。
  例如：处理k=3时，需要遍历所有边，筛选出diff ≤3的边（无论之前是否处理过），这会导致重复检查，时间复杂度从O(m + q)变成O(qm)（q次查询，每次遍历m条边）。
  当m和q达到1e5时，O(qm)会达到1e10，完全无法运行。

总结

排序的核心目的是：

• 利用查询k的递增性，避免并查集的 “拆分” 操作（并查集不支持拆分，只能增量合并）；
• 利用边diff的有序性，通过一次线性扫描完成所有边的添加，避免重复检查。

不排序的话，要么逻辑上无法正确维护连通性（因并查集无法拆分），要么时间复杂度爆炸，失去算法的实用价值。因此，排序是这个离线查询问题的 “灵魂优化”。

完整源码实现

#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;struct Edge {int u, v, diff;Edge(int u_, int v_, int diff_) : u(u_), v(v_), diff(diff_) {}bool operator<(const Edge& other) const {return diff < other.diff;}
};struct Query {int a, b, k, idx;Query(int a_, int b_, int k_, int idx_) : a(a_), b(b_), k(k_), idx(idx_) {}bool operator<(const Query& other) const {return k < other.k;}
};vector<int> parent;int find(int x) {if (parent[x] != x) {parent[x] = find(parent[x]);}return parent[x];
}void unite(int x, int y) {x = find(x);y = find(y);if (x != y) {parent[y] = x;}
}int main() {ios::sync_with_stdio(false);cin.tie(nullptr);int n, m, q;cin >> n >> m >> q;vector<int> h(n + 1);for (int i = 1; i <= n; ++i) {cin >> h[i];}vector<Edge> edges;for (int i = 0; i < m; ++i) {int u, v;cin >> u >> v;int diff = abs(h[u] - h[v]);edges.emplace_back(u, v, diff);}vector<Query> queries;for (int i = 0; i < q; ++i) {int a, b, k;cin >> a >> b >> k;queries.emplace_back(a, b, k, i);}sort(edges.begin(), edges.end());sort(queries.begin(), queries.end());parent.resize(n + 1);for (int i = 1; i <= n; ++i) {parent[i] = i;}vector<string> res(q);int edge_idx = 0;for (const auto& query : queries) {int a = query.a, b = query.b, k = query.k, idx = query.idx;while (edge_idx < m && edges[edge_idx].diff <= k) {unite(edges[edge_idx].u, edges[edge_idx].v);edge_idx++;}if (find(a) == find(b)) {res[idx] = "YES";} else {res[idx] = "NO";}}for (const string& ans : res) {cout << ans << '\n';}return 0;
}