搜索——图的储存

搜索:搜索算法是利用计算机的高性能来有目的地穷举一个问题的部分或所有的可能情况,从而求出问题的解的一种方法。

 

搜索过程实际上是根据初始条件和扩展规则构造一棵

解答树并寻找符合目标状态的节点的过程。

 

一.主要用图的思想实现搜索

二.图的储存

1.邻接矩阵:用矩阵实现(空间开销大,不能存重边)


/*邻接矩阵储存图*/ 
#include <iostream>
#include <cstdio>
#include <algorithm>
#include <cstring>
using namespace std;
const int inf = 0x3f3f3f3f;//常熟无穷大 
const int maxn = 1e3 + 20;//最大项数 
int map[maxn][maxn];//图 

int main() 
{
	int n = 0;//n条边
	while(~scanf("%d",&n))
	{
	    int x,y,w;//x,y点之间的权值为w 
	    for(int i = 0; i<maxn; i++)//图权初始化为0x3f3f3f3f 
	    for(int j = 0; j<maxn; j++)
	    {
            map[i][j] = inf;
	    }
	    //memset(map, inf, sizeof(map));//另初始化 
	
        while(n--)
        {	    
	        cin>>x>>y>>w;
	        map[x][y] = w;//储存一条边(单向)
	     	//map[x][y] = inf//删除一条边 
	    	/*注意储存时点的序号是从0还是从1开始的应用时要记得*/ 
		}
	} 
	return 0;
}

2.邻接表(用链表,但是主要是结构体的思想)


#include <stdio.h>
#include <stdlib.h>

#define MaxVertexnum 100

typedef char Vertextype;
typedef struct node//边表节点,存储的是顶点的序号以及指向下一个顶点的指针 
{
	int adjvex;
	struct node* next;//指向边表节点结构体的指针 
 } EdgeNode;
 
typedef struct//顶点表节点 
{
	Vertextype vertex;//记录定点 
	EdgeNode* firstedge;//第一条边,调用这个之后直接就当用上面的边表节点 
 } VertexNode;

typedef VertexNode AdjList[MaxVertexnum];//定义指向顶点表的数组数据类型 

typedef struct
{
	AdjList adjlist;//上述数组命名adjlist 
	int n, e;//定点数,边数 
}ALGraph;

void create(ALGraph* G) //构建链表函数 
{
	int i,j,k,w,v;
	EdgeNode* s;
	printf("读入顶点数和边数"); 
	scanf("%d%d",&G->n,&G->e);
	
	for(i = 0; i<G->n; i++)
	{
		fflush(stdin);//清空输入缓存区
		printf("建立顶点表");
		G->adjlist[i].vertex =  getchar();
		G->adjlist[i].firstedge = NULL;
	}
	printf("建立边表\n");
	for(k = 0; k<G->e; k++)
	{
		printf("读入(vi-vj)的顶点序号");
		scanf("%d%d",&i,&j);
		s = (EdgeNode*)malloc(sizeof(EdgeNode));
		s->adjvex = j;
		s->next = G->adjlist[i].firstedge;//插入表头
		G->adjlist[i].firstedge = s;
		s = (EdgeNode*)malloc(sizeof(EdgeNode));
		s->adjvex = i;
		s->next = G->adjlist[j].firstedge;
		G->adjlist[j].firstedge = s; 
	}
} 
 
int main() 
{
	int i;
	ALGraph* G = (ALGraph*)malloc(sizeof(ALGraph));//构建链表 
	create(G);
	for(i = 0; i<G->n; i++)//输出(应用)
	{
		printf("%d->",i);
		while(G->adjlist[i].firstedge!=NULL)
		{
			printf("%d->",G->adjlist[i].firstedge->adjvex);
			G->adjlist[i].firstedge = G->adjlist[i].firstedge->next;
		}
		printf("\n");
	} 
	
	return 0;
}

部分程序转载自链接


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于像和语音识别、自然语言处理、医学像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如像。它们使用卷积层来提取像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值