用Python手把手复现PTA L2-013红色警报:从连通图到关键节点的实战分析
最近在准备算法竞赛的同学,一定对图论中的连通性问题不陌生。今天我们就来拆解一道经典题目——PTA平台的L2-013红色警报,用Python从零实现一个完整的解决方案。不同于常见的C++实现,我们将用更符合Python风格的邻接表结构,带你深入理解关键节点对图连通性的影响。
1. 问题理解与建模
这道题的核心在于判断图中某个节点是否为"关键节点"——即删除该节点后,图的连通分量数是否增加。我们先来看题目给出的示例:
code复制5 4
0 1
1 3
3 0
0 4
5
1 2 0 4 3
这表示有5个城市(编号0-4),4条连接道路。随后5个城市依次被攻占。我们需要在每次攻占后判断连通性是否被破坏。
关键概念解析:
- 连通分量:图中互相连通的最大子图
- 关键节点:删除该节点会导致连通分量数增加
注意:即使原图本身不连通(有多个连通分量),只要删除节点后连通分量数比删除前增加,该节点就是关键节点。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 图的表示与基础操作
Python中我们通常使用邻接表来表示图,这比邻接矩阵更节省空间,尤其适合稀疏图。
python复制from collections import defaultdict
class Graph:
def __init__(self, num_nodes):
self.adj_list = defaultdict(list)
self.num_nodes = num_nodes
self.removed = set() # 记录被删除的节点
def add_edge(self, u, v):
self.adj_list[u].append(v)
self.adj_list[v].append(u)
def remove_node(self, node):
self.removed.add(node)
def get_neighbors(self, node):
return [n for n in self.adj_
