HDU 1180 诡异的楼梯

诡异的楼梯

Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 131072/65536 K (Java/Others)
Total Submission(s): 15153    Accepted Submission(s): 3969


Problem Description
Hogwarts正式开学以后,Harry发现在Hogwarts里,某些楼梯并不是静止不动的,相反,他们每隔一分钟就变动一次方向.
比如下面的例子里,一开始楼梯在竖直方向,一分钟以后它移动到了水平方向,再过一分钟它又回到了竖直方向.Harry发现对他来说很难找到能使得他最快到达目的地的路线,这时Ron(Harry最好的朋友)告诉Harry正好有一个魔法道具可以帮助他寻找这样的路线,而那个魔法道具上的咒语,正是由你纂写的.
 

Input
测试数据有多组,每组的表述如下:
第一行有两个数,M和N,接下来是一个M行N列的地图,'*'表示障碍物,'.'表示走廊,'|'或者'-'表示一个楼梯,并且标明了它在一开始时所处的位置:'|'表示的楼梯在最开始是竖直方向,'-'表示的楼梯在一开始是水平方向.地图中还有一个'S'是起点,'T'是目标,0<=M,N<=20,地图中不会出现两个相连的梯子.Harry每秒只能停留在'.'或'S'和'T'所标记的格子内.
 

Output
只有一行,包含一个数T,表示到达目标的最短时间.
注意:Harry只能每次走到相邻的格子而不能斜走,每移动一次恰好为一分钟,并且Harry登上楼梯并经过楼梯到达对面的整个过程只需要一分钟,Harry从来不在楼梯上停留.并且每次楼梯都恰好在Harry移动完毕以后才改变方向.
 

Sample Input
  
  
5 5 **..T **.*. ..|.. .*.*. S....
 

Sample Output
  
  
7
Hint
Hint
地图如下:
 

Source
 

Recommend
JGShining

题意:楼梯每秒在转到,在楼梯上可以直接走过去,求到达终点所需要的时间。
自己做的时候完全没有注意到楼梯方向不与当前前进方向一致时可以不动这一点,一直WA,T_T,发现这一点后就好做多了。

#include<iostream>
#include<cstdio>
#include<algorithm>
#include<map>
#include<set>
#include<utility>
#include<queue>
#include<deque>
#include<stack>
#include<cstring>
#include<string>
#include<cmath>

using namespace std;

typedef long long ll;

#define mem(i,a) memset(i,a,sizeof i)
#define for1(i,a) for(int (i)=1;(i)<=(a);(i)++)
#define for0(i,a) for(int (i)=0;(i)<(a);(i)++)
#define pi acos(-1.0)
#define eps 1e-10
#define _f first
#define _s second

char g[101][101];
bool vis[101][101];
int m,n,i,j,k;
const int dx[]={0,0,0,1,-1,0};
const int dy[]={0,1,-1,0,0,0};

struct Node
{
    int x,y,t;
    Node(int x,int y,int t):x(x),y(y),t(t){}
};

bool check(Node p)
{
    if(p.x<1||p.x>m||p.y<1||p.y>n||vis[p.x][p.y]||g[p.x][p.y]=='*')return 0;
    if(g[p.x][p.y]=='|'||g[p.x][p.y]=='-')return 0;//在楼梯上也判断返回,这与下面的写法有关,每个人方法可能不太一样
    return 1;
}

queue<Node>que;

void solve()
{
    while(!que.empty())
    {
        int tag=1;
        Node tmp=que.front();
        que.pop();
        if(g[tmp.x][tmp.y]=='T')
        {
            printf("%d\n",tmp.t);//到达终点,输出
            return ;
        }
        for1(i,4)
        {
            Node p=tmp;
            p.x+=dx[i];
            p.y+=dy[i];
            p.t++;
            if(g[p.x][p.y]=='|')
            {
                if(!(p.t&1)&&(i==1||i==2))//判断楼梯方向与自己前进方向是否一致,容易搞反,我是先走再判断是否在楼梯上
                    p.x+=dx[i],p.y+=dy[i];
                else if(p.t&1&&(i==3||i==4))
                    p.x+=dx[i],p.y+=dy[i];
                else
                    tmp.t++,que.push(tmp);//如果楼梯与自己方向不一致,时间加一,再次压入队列,没这一个和下面一个就会WA
            }
            else if(g[p.x][p.y]=='-')
            {
                if(!(p.t&1)&&(i==3||i==4))
                    p.x+=dx[i],p.y+=dy[i];
                else if(p.t&1&&(i==1||i==2))
                    p.x+=dx[i],p.y+=dy[i];
                else
                    tmp.t++,que.push(tmp);
            }
            if(check(p))
            {
                vis[p.x][p.y]=1;
                que.push(p);
            }
        }
    }
}

int main()
{
    while(~scanf("%d%d",&m,&n))
    {
        mem(vis,0);
        while(!que.empty())
            que.pop();
        for1(i,m)
            for1(j,n)
            {
                cin>>g[i][j];
                if(g[i][j]=='S')
                    vis[i][j]=1,que.push(Node(i,j,0));
            }
        solve();
    }
    return 0;
}

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,这些特征对于图像和语音识别、自然语言处理、医学图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,如图像。它们使用卷积层来提取图像的特征。 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
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