东予薏米1. 问题背景与题目解析
洛谷P1265《公路修建》是一道经典的图论与最小生成树算法练习题。题目描述了一个需要连接多个城市的最小公路建设成本问题，属于典型的加权无向图最小生成树(MST)应用场景。
这类问题在实际工程中有广泛的应用背景，比如：
- 城市间光纤网络铺设
- 电力线路规划
- 水利管道布局
- 交通路网设计
题目通常会给出N个城市的坐标位置，要求计算出连接所有城市所需公路的最小总长度。这里的"公路长度"就是图中的边权，而"连接所有城市"对应图的连通性要求。
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. 算法选型与复杂度分析
2.1 最小生成树算法对比
解决这类问题主要有两种经典算法：
-
Prim算法：
- 时间复杂度：O(V²)（邻接矩阵）或O(E log V)（邻接表+优先队列）
- 空间复杂度：O(V²)或O(V+E)
- 适合稠密图（边数接近完全图）
-
Kruskal算法：
- 时间复杂度：O(E log E)
- 空间复杂度：O(E)
- 适合稀疏图（边数远小于完全图）
2.2 本题的特殊性
在P1265这类坐标输入的问题中：
- 城市数量N通常在1e3-1e4量级
- 潜在边数为N(N-1)/2（完全图）
- 但实际有效边数可能远小于完全图
因此，**Prim算法（堆优化版）**通常是更优选择，因为：
- 不需要预先计算和存储所有边
- 可以动态计算两点距离
- 避免了Kruskal算法对大量边的排序开销
3. Prim算法实现详解
3.1 基础数据结构
cpp复制#include <bits/stdc++.h>
using namespace std;
const int MAXN = 5005;
const double INF = 1e18;
struct Point {
double x, y;
} city[MAXN];
double dist[MAXN]; // 记录各点到MST的最小距离
bool vis[MAXN]; // 记录是否已加入MST
3.2 核心算法流程
cpp复制double prim(int n) {
fill(dist, dist + n + 1, INF);
fill(vis, vis + n + 1, false);
dist[1] = 0;
double res = 0;
for (int i = 1; i <= n; ++i) {
int u = -1;
double min_dist = INF;
// 找出未访问的最近节点
for (int j = 1; j <= n; ++j) {
if (!vis[j] && dist[j] < min_dist) {
min_dist = dist[j];
u = j;
}
}
if (u == -1) return -1; // 图不连通
vis[u] = true;
res += min_dist;
// 更新邻接节点距离
for (int v = 1; v <= n; ++v) {
if (!vis[v]) {
double d = sqrt(pow(city[u].x - city[v].x, 2) +
pow(city[u].y - city[v].y, 2));
if (d < dist[v]) {
dist[v] = d;
}
}
}
}
return res;
}
3.3 堆优化实现
对于大规模数据（N>5000），需要堆优化：
cpp复制double prim_heap(int n) {
fill(dist, dist + n + 1, INF);
fill(vis, vis + n + 1, false);
priority_queue<pair<double, int>, vector<pair<double, int>>, greater<pair<double, int>>> pq;
pq.push({0, 1});
dist[1] = 0;
double res = 0;
int cnt = 0;
while (!pq.empty() && cnt < n) {
auto [d, u] = pq.top(); pq.pop();
if (vis[u]) continue;
vis[u] = true;
res += d;
cnt++;
for (int v = 1; v <= n; ++v) {
if (!vis[v]) {
double new_dist = sqrt(pow(city[u].x - city[v].x, 2) +
pow(city[u].y - city[v].y, 2));
if (new_dist < dist[v]) {
dist[v] = new_dist;
pq.push({dist[v], v});
}
}
}
}
return cnt == n ? res : -1;
}
4. 关键优化技巧
4.1 距离计算优化
- 延迟距离计算：不必预先计算所有点对距离，只在需要时计算
- 距离缓存：对已计算的距离进行缓存，避免重复计算
- 近似计算：在允许误差的情况下，可以使用近似距离公式
4.2 内存优化
对于N很大的情况：
- 使用vector代替静态数组
- 按需分配内存
- 使用位运算压缩vis数组
4.3 输入输出优化
cpp复制// 快速输入模板
inline void read(int &x) {
x = 0;
char c = getchar();
while (c < '0' || c > '9') c = getchar();
while (c >= '0' && c <= '9') {
x = x * 10 + c - '0';
c = getchar();
}
}
// 快速输出模板
inline void write(double x) {
if (x < 0) putchar('-'), x = -x;
if (x > 9) write(x / 10);
putchar(x - (int)(x / 10) * 10 + '0');
}
5. 常见错误与调试技巧
5.1 浮点数精度问题
-
比较误差：避免直接比较浮点数相等，使用epsilon方法
cpp复制const double eps = 1e-8; bool equal(double a, double b) { return fabs(a - b) < eps; } -
输出格式化：按要求保留小数位数
cpp复制printf("%.2lf\n", ans);
5.2 特殊边界情况
- 单点情况：N=1时应输出0
- 重复坐标：相同坐标距离为0，不影响结果
- 超大坐标：注意数值溢出问题
5.3 性能调优
-
编译优化：使用O2/O3优化
cpp复制#pragma GCC optimize("O3") -
循环展开：对内部循环进行手动展开
-
缓存友好访问：优化内存访问模式
6. 算法扩展与变种
6.1 部分连通问题
如果题目允许部分城市不连通（如建设k条公路）：
- 修改终止条件为选够k条边
- 使用Kruskal算法可能更方便
6.2 带约束的MST
- 度约束：某些节点有最大度数限制
- 类型约束：不同类别的边有使用限制
- 动态MST：支持边的动态添加/删除
6.3 近似算法
对于NP难问题，可考虑：
- Christofides算法（旅行商问题）
- 最小生成树启发式算法
7. 实际工程应用思考
在实际工程项目中应用MST算法时：
-
预处理阶段：
- 数据清洗（去除异常坐标）
- 坐标系统一（WGS84转平面坐标）
- 地形因素考虑（山地、河流等）
-
后处理阶段：
- 路径平滑处理
- 施工可行性评估
- 成本效益分析
-
可视化调试：
python复制import matplotlib.pyplot as plt def plot_mst(points, edges): plt.scatter(*zip(*points)) for (u, v) in edges: plt.plot([points[u][0], points[v][0]], [points[u][1], points[v][1]], 'r-') plt.show()
8. 竞赛技巧总结
- 模板准备：提前写好Prim/Kruskal的模板
- 输入规模预判：根据N大小选择合适算法
- 调试用例：
- 小规模手工验证
- 极端用例测试（如所有点共线）
- 时间分配：这类题目应在30分钟内完成
提示：在竞赛中，如果N≤5000，普通Prim即可通过；N≥1e4则需要堆优化。注意题目可能故意设置陷阱数据。