最小生成树算法在城市规划中的实践与优化

1. 问题背景与核心需求

这道题目描述了一个典型的城市规划问题：给定平面上N个城市的坐标，需要修建公路将所有城市连通。题目给出的修建规则看似复杂，但经过分析可以发现其本质是求一个完全图的最小生成树（Minimum Spanning Tree, MST）。

在实际工程应用中，这类问题非常常见。比如在电网架设、通信基站建设、输油管道规划等场景中，我们都需要在保证所有节点连通的前提下，最小化总建设成本。这道题目正是这类实际问题的抽象表达。

2. 算法选择与复杂度分析

2.1 最小生成树算法对比

对于最小生成树问题，主要有两种经典算法：

1. Kruskal算法：

   • 时间复杂度：O(E log E)，其中E是边数
   • 空间复杂度：O(E)
   • 特点：需要对所有边进行排序，适合稀疏图

2. Prim算法：

   • 朴素实现：O(V²)
   • 堆优化实现：O(E log V)
   • 特点：适合稠密图，特别是完全图

2.2 本题的特殊性分析

本题的特殊性在于：

• 这是一个完全图，边数E=V*(V-1)/2≈1.25×10⁷（当V=5000时）
• 题目给出的城市数量上限是5000

如果使用Kruskal算法：

• 需要存储约1.25×10⁷条边，内存消耗巨大（约200MB）
• 排序这些边的时间复杂度约为3×10⁸次操作，容易超时

而使用朴素Prim算法：

• 时间复杂度O(V²)=2.5×10⁷次操作
• 只需要存储V个点的坐标和距离信息，内存消耗极小

提示：在竞赛编程中，通常认为C++每秒可以处理约10⁷次简单操作。因此Prim算法的时间复杂度在合理范围内，而Kruskal算法则存在较大风险。

3. Prim算法实现细节

3.1 隐式图策略

由于完全图的边数太多，我们采用"隐式图"策略，即在需要计算两点距离时实时计算，而不是预先存储所有边。这种方法可以大幅节省内存。

距离计算公式：

code复制distance = sqrt((x1-x2)² + (y1-y2)²)

3.2 算法流程详解

1. 初始化：

   • 设置所有点到生成树的距离为无穷大（INF）
   • 选择任意一个点作为起点，将其距离设为0

2. 主循环