对于整数N以内的阶段进行计数，形成非循环图需要对每一个可能的变化进行调查，并检查它们是否根据给定条件形成非循环图。这些条件可能与由变化形成的协调图结构相关，其中循环的缺失表示非循环性。这个问题涉及图论的概念，并可以通过深度优先搜索或动态规划来解决。深度优先搜索通过递归地调查每个阶段，动态规划通过存储中间结果来优化循环。最后计数的有效阶段数显示了整数N以内可以组织成满足预定条件的非循环图的方式数
使用的方法
深度优先搜索 (DFS)
动态规划
深度优先搜索（DFS）
在生成具有给定操作的分组的DFS方法中，我们从给定的数字开始，通过重新计算直到达到值1。我们按照以下方式继续进行：如果数字确实为2，则将其除以2；如果是奇数，则将其乘以3并加1。我们更新数字以反映未使用的结果，并将其添加到序列中。这个过程持续到数字达到1。所得到的序列表示给定起始数字的重复Collatz序列。这种方法允许我们跟踪数字通过重复计算而发生变化的进展，揭示模式，并考虑Collatz序列的行为。它提供了一种简单且可重复的方法来生成序列，并分析这一数学奇迹的迷人特征。
算法
选择一个起始枢纽来开始穿越
将中心标记为已访问，以监控哪些中心已经主动进行了调查。
访问正在进行的中心节点的未访问邻居（如果有）。要确定正在进行的中心节点的邻居，您确实需要了解图的传染性描述（例如，接近度列表或接近度框架）
假设存在未访问的邻居，选择其中一个并从该邻居重新进行第2到第4阶段的重新散列（递归地）
假设没有未访问的邻居，回溯到过去的中心，并从那个点继续进行调查（如果可能的话）。这一步对于探索图中所有潜在路径至关重要
重新进行2到5阶段的哈希，直到图表中的所有中心节点都被访问。如果图表未连接（包含多个部分），您可能需要从未访问的中心节点开始进行深度优先搜索（DFS）。
Example
的中文翻译为：示例
#include <iostream>
#include <vector>
using namespace std;
void dfs(int node, vector<vector<int>>& graph, vector<bool>& visited) {
visited[node] = true;
cout << "Visited hub: " << node << endl;
for (int neighbor : graph[node]) {
if (!visited[neighbor]) {
cout << "Moving to neighbor: " << neighbor << endl;
dfs(neighbor, graph, visited);
}
}
}
int main() {
vector<vector<int>> graph = {
{1, 2},
{0, 2, 3},
{0, 1, 3},
{1, 2, 4},
{3}
};
int hubs = graph.size();
vector<bool> visited(hubs, false);
int startingHub = 0;
cout << "DFS Traversal starting from hub " << startingHub << ":" << endl;
dfs(startingHub, graph, visited);
return 0;
}
输出
DFS Traversal starting from hub 0: Visited hub: 0 Moving to neighbor: 1 Visited hub: 1 Moving to neighbor: 2 Visited hub: 2 Moving to neighbor: 3 Visited hub: 3 Moving to neighbor: 4 Visited hub: 4
动态规划
在这种方法中，我们可以利用动态规划来有效地计算到达N的非循环阶段的数量。我们将定义一个DP表，其中dp[i]表示以数字I结尾的非循环转换的数量。
算法
调查问题并决定是否可以将其分解为较小的子问题。如果多次解决相同的子问题是低效的，动态规划可以通过记住子问题的解决方案来改善解决方案。
将一个更大问题的安排表达为其子问题的安排。这种重复连接是使用DP解决问题的关键。
鉴于重复的连接，制作一个表格或展示来存储子问题的答案。这将防止重复计算。
从最小的子问题开始填写表格，通常采用自底向上的方式，或者使用记忆化来在递归过程中存储和检索解决方案
当所有子问题都解决完毕时，将最后的排列从DP表或记忆化展示中分离出来。
Example
的中文翻译为：示例
#include <iostream>
#include <vector>
using namespace std;
int knapsackHelper(vector<vector<int>>& dp, vector<int>& weights, vector<int>& values, int n, int capacity) {
if (n == 0 || capacity == 0) {
return 0;
}
if (dp[n][capacity] != -1) {
return dp[n][capacity];
}
if (weights[n - 1] <= capacity) {
dp[n][capacity] = max(values[n - 1] + knapsackHelper(dp, weights, values, n - 1, capacity - weights[n - 1]),
knapsackHelper(dp, weights, values, n - 1, capacity));
} else {
dp[n][capacity] = knapsackHelper(dp, weights, values, n - 1, capacity);
}
return dp[n][capacity];
}
int knapsack(vector<int>& weights, vector<int>& values, int capacity) {
int n = weights.size();
vector<vector<int>> dp(n + 1, vector<int>(capacity + 1, -1));
return knapsackHelper(dp, weights, values, n, capacity);
}
int main() {
vector<int> weights = {10, 20, 30};
vector<int> values = {60, 100, 120};
int capacity = 50;
cout << "Maximum value in Knapsack: " << knapsack(weights, values, capacity) << endl;
return 0;
}
输出
Maximum value in Knapsack: 220
结论
计算可以形成非循环图的阶段包括研究整数的不同排列方式，以确保它们满足给定的条件。DFS递归地探索阶段，而DP通过记忆化改进循环。这两种方法提供了解决这个问题的重要方法。方法的选择取决于限制条件和N的大小。通过这些方法，我们可以高效地找到合法阶段的数量，帮助我们理解数字可以按照预定条件形成非循环图的方式。
