【資料範圍】
對於30%的資料，n≤100；
對於50%的資料，n≤1000；
對於100%的資料，2≤n≤100000。
8 3
1 2
1 3
3 4
3 5
4 6
5 7
7 8由於給出的整個布局是乙個樹形結構，所以可以用求樹上最長鏈的方法求
可以證明從任意乙個點出發，一直走到最遠的乙個點，這個最遠點一定是樹上最長鏈的一端。記錄端點，再從改端點出發一直走到最遠的乙個點，經過的路徑即為樹上最長鏈
最後結果應為樹上最長鏈的長度+1 div 2
其中兩次找最遠點都可用同乙個過程，注意記錄上次走到的點
因為最多是每個點遍歷一次，所以
時間複雜度o(n)
var
n,i,j,max,ans:longint;
a:array[1..200000,1..2]of longint;
ls,next:array[1..200000]of longint;
procedure
dfs(k,s,c:longint);
var j:longint;
begin
j:=ls[k];
if maxthen
begin
max:=s;
ans:=k;
end;
while j>0
dobegin
if a[j,2]<>c then
dfs(a[j,2],s+1,k);
j:=next[j];
end;
end;
begin
assign(input,'selc.in');
assign(output,'selc.out');
reset(input);rewrite(output);
readln(n);
for i:=1
to n-1
dobegin
inc(j);
readln(a[j,1],a[j,2]);
next[j]:=ls[a[j,1]];
ls[a[j,1]]:=j;
inc(j);
a[j,1]:=a[j-1,2];
a[j,2]:=a[j-1,1];
next[j]:=ls[a[j,1]];
ls[a[j,1]]:=j;
end;
dfs(1,0,0);
max:=0;
dfs(ans,0,0);
writeln((max+1) div
2); close(input);close(output);
end.
機器學習 特徵選擇
特徵選擇是特徵工程中的重要問題 另乙個重要的問題是特徵提取 坊間常說 資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。由此可見，特徵工程尤其是特徵選擇在機器學習中占有相當重要的地位。通常而言，特徵選擇是指選擇獲得相應模型和演算法最好效能的特徵集，工程上常用的方法有以下 1.計算每...
dfs 樹 機器選擇
有乙個樹狀的圖，要求安乙個點，使這個點到最遠的點的距離最小 第1行 乙個整數n。第2n行 兩個整數u v，即u v兩台機器間有一條網線連線。機器從1n編號。輸入資料保證是乙個連通的樹型結構。1行乙個整數，即最短的時間。5 3 22 1 5 22 41 資料範圍 對於30 的資料，n 100 對於50...
dfs 樹 機器選擇
資料範圍 思路 第1行 乙個整數n。第2 n行 兩個整數u v，即u v兩台機器間有一條網線連線。機器從1 n編號。輸入資料保證是乙個連通的樹型結構。1行乙個整數，即最短的時間。輸入樣例5 3 22 1 5 22 4輸出樣例1對於30 的資料，n 100 對於50 的資料，n 1000 對於100 ...