sgu 132 分类: sgu 2015-05...


状压DP,时间复杂度O(m22n3n)


#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<iostream>
#include<algorithm>

const int MAXM = 75, MAXN = 7, INF = 1<<30, Nya = -1;

int n, m;
int map[MAXM];
int f[2][1<<MAXN][1<<MAXN];
int ans = INF, flag;

void Update(int &x,int y)
{// y != Nya
    if(x == Nya || y < x) x = y;
}
void DFS(int row,int col,int now,int las,int cost)
{
    if((map[row]&now)||(map[row-1]&las)) return;

    if(col == n)
    {
        for(int lasp = 0; lasp < (1<<n); lasp++)
        {
            if((lasp&las) || (lasp&map[row-1])) continue;

            int last = lasp^las^map[row-1];

            bool tag = true; 
            for(int i = 1; i < n && tag; i++)
                if(!(last&(1<<i)) && !(last&(1<<(i-1)))) tag = false;
            if(!tag) continue;

            if(row == 1) {Update(f[flag][lasp^las][now], cost); continue;}

            for(int lasq = 0; lasq < (1<<n); lasq++)
                if(f[flag^1][lasq][lasp] != Nya)
                {
                    int qast = lasq^map[row-2];

                    tag = true;
                    for(int i = 0; i < n && tag; i++)
                        if(!(qast&(1<<i)) && !(last&(1<<i))) tag = false;
                    if(!tag) continue;

                    Update(f[flag][lasp^las][now],f[flag^1][lasq][lasp] + cost);
                }
        }
    }
    else
    {
        DFS(row,col+1,now|(1<<col),las|(1<<col),cost+1);

        if(col && (!(now&(1<<(col-1)))))
            DFS(row,col+1,now|(1<<(col-1))|(1<<col),las,cost+1);

        DFS(row,col+1,now,las,cost);
    }
}

int main()
{
#ifndef ONLINE_JUDGE
    freopen("sgu132.in","r",stdin); 
    freopen("sgu132.out","w",stdout);
#endif

    std::cin >> m >> n;
    for(int i = 1; i <= m; i++)
    {
        char str[MAXN+3]; std::cin >> str;
        for(int j = 0; j < n; j++)
            if(str[j] == '*') map[i] |= 1<<j;
    }
    map[0] = map[m+1] = map[m+2] = (1<<n)-1;

    for(int i = 1; i <= m+2 ; i++)
        flag ^= 1, memset(f[flag],Nya,sizeof(f[flag])), DFS(i,0,0,0,0);

    for(int i = 0 ; i < (1<<n); i++)
        for(int j = 0 ; j < (1<<n); j++)
            if(f[flag][i][j] != Nya)
                ans = std::min(ans,f[flag][i][j]);

    std::cout << ans;

#ifndef ONLINE_JUDGE
    fclose(stdin);
    fclose(stdout);
#endif
    return 0;
}

版权声明:本文为博主原创文章,未经博主允许不得转载。

转载于:https://www.cnblogs.com/dashgua/p/4723025.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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