hdu 1072 Nightmare

简单bfs,三维存状态 used[i][j][t]  代表在炸弹开始计时的t时刻走到(i,j)。

注意值是4的点走过了 就不能再走了,超时了一次 略坑自己委屈


#include"cstdio"
#include"cstring"
#include"cmath"
#include"cstdlib"
#include"iostream"
#include"algorithm"
#include"queue"
using namespace std;
int n,m;
int move[4][2]= {{1,0},{0,-1},{-1,0},{0,1}};
int map[10][10],used[10][10][7];
int sx,sy,ex,ey;
struct node
{
    int x,y;
    int t,time;
};
int ok(node a)
{
    if(a.x<0||a.y<0||a.x>=n||a.y>=m) return 0;
    if(used[a.x][a.y][a.time])  return 0;
    if(map[a.x][a.y]==0)  return 0;
    if(a.time>=6)  return 0;
    return 1;
}
int bfs()
{
    node cur,next;
    queue<node>q;
    cur.x=sx;
    cur.y=sy;
    cur.t=0;
    cur.time=0;
    q.push(cur);
    while(!q.empty())
    {
        cur=q.front();
        q.pop();
        if(cur.x==ex&&cur.y==ey) return cur.t;
        for(int i=0; i<4; i++)
        {
            next.x=cur.x+move[i][0];
            next.y=cur.y+move[i][1];
            next.t=cur.t+1;
            next.time=cur.time+1;
            if(ok(next))
            {
                if(map[next.x][next.y]==4)
                {
                    next.time=0; 
                    map[next.x][next.y]=0;  //走了就不能走了。
                }
                used[next.x][next.y][next.time]=1;
                q.push(next);
            }
        }
    }
    return -1;
}
int main()
{
    int t;
    cin>>t;
    while(t--)
    {
        cin>>n>>m;
        int i,j;
        for(i=0; i<n; i++)
        {

            for(j=0; j<m; j++)
            {
                cin>>map[i][j];
                if(map[i][j]==2)
                {
                    sx=i;
                    sy=j;
                }
                if(map[i][j]==3)
                {
                    ex=i;
                    ey=j;
                }
            }
        }
        memset(used,0,sizeof(used));
        printf("%d\n",bfs());

    }
}


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