Dijkstra path searching for route map matrix input

#include "stdafx.h"
#include "stdio.h"
#include "string"
#include "sstream"
#include "iostream"

#define MAX 1000
using namespace std;

class graph
{
public:
	int size;
	int **adjmatrix;
	int **mgraph;

	graph();
	graph(int size);

	void addvalue(int i, int j, int key);
	void printmatrix();
	void dijkstra();
	void matrixtograph();
	bool neighbour(int x1,int y1,int x2, int y2);
	void printmgraph();
	int mindis(int *d, bool *s);

	~graph()
	{
		for (int i = 0; i < size; i++)
			delete[] adjmatrix[i];
		delete[] adjmatrix;
		for (int i = 0; i < size; i++)
			delete[] mgraph[i];
		delete[] mgraph;
	};
};

void graph::addvalue(int i, int j, int key)
{
	adjmatrix[i][j] = key;
}

graph::graph(int size)
{
	this->size = size;
	adjmatrix = new int*[size];

	for (int i = 0; i < size; i++)
	{
		adjmatrix[i] = new int[size];
		for (int j = 0; j < size; j++)
		{
			adjmatrix[i][j] = NULL;
		}
	}
}

void graph::printmatrix()
{
	int i = 0, j = 0;
	for (i = 0; i < size; i++)
	{
		for (j = 0; j < size; j++)
		{
			cout << adjmatrix[i][j];
		}
		cout<<endl;
	}
}

void graph::printmgraph()
{
	int i = 0, j = 0;
	for (i = 0; i < size*size; i++)
	{
		for (j = 0; j < size*size; j++)
		{
			cout << mgraph[i][j]<< "\t";
		}
		cout << endl;
	}
}


bool graph::neighbour(int x1, int y1, int x2, int y2)
{
	bool flag = false;
	if ((abs(x1 - x2) == 0) && (abs(y1 - y2) == 1))
		flag = true;
	else if ((abs(x1 - x2) == 1) && (abs(y1 - y2) == 0))
		flag = true;
	return flag;
}

void graph::matrixtograph()
{
	int nodenum = size*size;
	mgraph = new int*[nodenum];
	for (int i = 0; i < nodenum; i++)
	{
		mgraph[i] = new int[nodenum];
		for (int j = 0; j < nodenum; j++)
		{
			mgraph[i][j] = MAX;
			if (i == j)
				mgraph[i][j] = 0;
		}
	}

	for (int x1 = 0; x1 < size; x1++)
	{
		for (int y1 = 0; y1 < size; y1++)
		{
			int i = size*x1 + y1;
			for (int x2 = 0; x2 < size; x2++)
			{
				for (int y2 = 0; y2 < size; y2++)
				{
					int j = size*x2 + y2;
					if (neighbour(x1, y1, x2, y2))
					{
						mgraph[i][j] = adjmatrix[x2][y2];
//						cout << x1 << "-" << y1 << ";" << x2 << "-" << y2 << endl;
//						cout << "i: " << i << ", j: " << j << "; " << mgraph[i][j] << endl;
					}

				}
			}

		}
	}
}

int graph::mindis(int *d, bool *s)
{
	int min = MAX, minindex;
	int numnode = size*size;
	for (int v = 0; v < numnode;v++)
	if ((s[v] == false) && (d[v] <= min))
		min = d[v], minindex = v;

	return minindex;
}

void graph::dijkstra()
{
	matrixtograph();
	printmgraph();
	int v = size*size;
	int *dis;
	dis = new int[v];
	bool *sptset;
	sptset = new bool[v];

	for (int i = 0; i < v; i++)
	{
		dis[i] = MAX;
		sptset[i] = false;
	}

	dis[0] = 0;

	for (int counter = 0; counter < v - 1; counter++)
	{
		int u = mindis(dis, sptset);
		sptset[u] = true;

		for (int i = 0; i < v; i++)
		{
			cout << u << "~" << i << endl;
			cout << sptset[i] << endl;
			cout << mgraph[u][i] << endl;
			cout << dis[u] << endl;
			cout << dis[i] << endl;
			if (sptset[i] == false && mgraph[u][i] < MAX&&dis[u] != MAX && (dis[u] + mgraph[u][i] < dis[i]))
				dis[i] = dis[u] + mgraph[u][i];
			cout << dis[i]<<endl;
		}
	}

	for (int i = 0; i < v; i++)
		cout << "Node distance from start: " << dis[i] << endl;

	delete[] dis;
	delete[] sptset;
}


int _tmain(int argc, _TCHAR* argv[])
{
	int size;
	//cin >> size;
	//cin.ignore();
	size = 4;
	//	string line;
	string line[4];
//sample input:
	line[0] = "0100";
	line[1] = "1110";
	line[2] = "1011";
	line[3] = "1010";
	graph mymap(size);
	for (int i = 0; i < size; i++)
	{
		//	getline(cin, line);
		for (int j = 0; j < size; j++)
		{
			//			int key = int(line[j]) - 48;
			int key = int(line[i][j]) - 48;
			mymap.addvalue(i, j, key);
			//			cout << mymap.adjmatrix[i][j];
		}
	}
	//mymap.printmatrix();
	//mymap.matrixtograph();
	//mymap.printmgraph();
	mymap.dijkstra();
	system("pause");
	return 0;
}

input: route matrix.

path: go from matrix[0][0] to any node of the matrix.

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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