[BZOJ1054][HAOI2008]移动玩具

原题地址

水题.裸BFS.

AC code:

#include <cstdio>
#include <queue>
using namespace std;
int mx[5]={0,0,0,-1,1},my[5]={0,-1,1,0,0};
int a[5][5],b[5][5];
bool app[1<<17];

int getkey(int x[5][5]){
    int k=0;
    for(int i=1;i<=4;i++)
        for(int j=1;j<=4;j++)
            k=(k<<1)|x[i][j];
    return k;
}

struct Sta{
    int step;
    int x[5][5];

    Sta(int y[5][5],int s){
        for(int i=1;i<=4;i++)
            for(int j=1;j<=4;j++)
                x[i][j]=y[i][j];
        step=s;
    }
};

void BFS(){
    queue<Sta> Q;
    app[getkey(a)]=1;
    Q.push(Sta(a,0));
    while(!Q.empty()){
        Sta x=Q.front();Q.pop();
        if(getkey(x.x)==getkey(b)){
            printf("%d\n",x.step);
            return ;
        }
        for(int i=1;i<=4;i++){
            for(int j=1;j<=4;j++){
                if(!x.x[i][j]) continue;
                Sta y=x;
                y.x[i][j]=0;
                for(int k=1;k<=4;k++){
                    int xx=i+mx[k],yy=j+my[k];
                    if(xx<1||xx>4||yy<1||yy>4||y.x[xx][yy]) continue;
                    y.x[xx][yy]=1;
                    if(app[getkey(y.x)]){
                        y.x[xx][yy]=0;
                        continue;
                    }
                    app[getkey(y.x)]=1;
                    Q.push(Sta(y.x,y.step+1));
                    y.x[xx][yy]=0;
                }
            }
        }
    }
}

int main(){
    for(int i=1;i<=4;i++){
        for(int j=1;j<=4;j++){
            char c;
            scanf("%c",&c);
            a[i][j]=c-'0';
        }
        scanf("\n");
    }
    scanf("\n");
    for(int i=1;i<=4;i++){
        for(int j=1;j<=4;j++){
            char c;
            scanf("%c",&c);
            b[i][j]=c-'0';
        }
        scanf("\n");
    }
    BFS();

    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