[递归 全排列&N皇后]

[递归 全排列&N皇后]

Description

递归求出全排列,如输出1到5的全排列

Code【全排列】

#include <cstdio>

const int maxn=11;
int n,P[maxn]={0};          //P存放已经排进来的数,n即为要求输出1~n的全排列
bool hashTable[maxn]={false};


void generateP(int index){
    if(index == n+1){          //已经排到第n个数了,可以输出了
        for(int i=1;i<=n;i++){
            printf("%d ",P[i]);
        }
        printf("\n");
        return;
    }

    for(int x=1;x<=n;x++){
        if(hashTable[x]==false){
            P[index]=x;         //x不在P中,则放进P,并置位,标记为已放入
            hashTable[x]=true;
            generateP(index+1);
            hashTable[x]=false; //处理完P[index]=x的子问题,下次index的位置该放别人了(还原,让别人来占位)
        }
    }
}


int main(){
    n=5;
    generateP(1); //从1开始,输出1~5的全排列
    return 0;

}

 

Description

递归求出N皇后

N皇后:在nxn的方阵棋盘上摆n个皇后,要求他们中任意两个不同行不同列,不在一条对角线上

Code【N皇后】

思路1:借助上面的求全排列的思想,NxN的棋盘放n个棋子,最终每一行都会放一个,而每个棋子的的列数就构成了一个1~n的排列,以N=5为例,对于一个排列{1,3,2,4,5},可以理解为:第一行第一列放一个,第二行第三列放一个,第三行第二列放一个,第四行第四列放一个,第五行第五列放一个;这样一个排列就表征了一种可能的放法;

接下来对于产生的全排列逐一check,若不符合要求则舍去:对于同行同列,由于我们一个五个位置(index=1,2,3,4,5)各不相同,排的五个数(1,2,3,4,5)也不相同,所以不可能出现同行同列(比如{1,2,2,3,4}其中有同列,但这不是一个排列,不可能出现);对于同对角线,利用(abs(i-j) == abs(P[i]-P[j])来判断(斜率为1或者-1的不行)

#include <cstdio>
#include <cmath>
const int maxn=11;
int n,P[maxn]={0};
bool hashTable[maxn]={false};
int count=0;

void generateP(int index){
    if(index == n+1){
        bool flag=true;
        for(int i=1;i<=n;i++){
            for(int j=i+1;j<=n;j++){
                if(abs(i-j) == abs(P[i]-P[j])){
                    flag=false;
                }
            }
        }
        if(flag)count++;
        return;
    }

    for(int x=1;x<=n;x++){
        if(hashTable[x]==false){
            P[index]=x;
            hashTable[x]=true;
            generateP(index+1);
            hashTable[x]=false;
        }
    }
}


int main(){
    n=8;
    generateP(1);
    printf("%d",count);
    return 0;

}

 

思路2:和上面思路类似,不同的是利用回溯,在做排列的时候就进行判断是否合法,以此提前返回

#include <cstdio>
#include <cmath>
const int maxn=11;
int n,P[maxn]={0};
bool hashTable[maxn]={false};
int count=0;

void generateP(int index){
    if(index == n+1){
        count++;
        return;
    }

    for(int x=1;x<=n;x++){
        if(hashTable[x]==false){    //当前准备在index行放下x
            bool flag=true;
            for(int pre=1;pre<index;pre++){     //需要比较之前的棋子和当前棋子是否矛盾
                if(abs(index-pre)==abs(x-P[pre])){
                    flag=false;
                    break;
                }
            }
            if(flag){
                P[index]=x;
                hashTable[x]=true;
                generateP(index+1);
                hashTable[x]=false;
            }
        }
    }
}


int main(){
    n=8;
    generateP(1);
    printf("%d",count);
    return 0;

}

以上代码COPY自算法笔记。

易错点:

七年了,八皇后对我来说依旧理解起来有难度,或许写代码这行真的不适合我吧。可是不做他,又不知道自己还能干嘛。

在上面全排列的基础上,若要给出m个数中的n个数的组合(无序)的CODE,需要在给P[index+1]赋值时,略过前面已经找过的值

#include <cstdio>
#include <cstring>

const int maxk=10;
int collection[maxk]={0};
int index=0;
bool hash_table[maxk]={0};
int buffer[maxk];
void get_collection(int *buffer,int i,int n,int index,int k){
    if(index==k){
        for(int i=0;i<index;i++)
            printf("%d ",collection[i]);
    printf("\n");
    return;
    }

    for(int s=i;s<n;s++){
        if(hash_table[s]==false){
            collection[index]=buffer[s];
            hash_table[s]=true;
            get_collection(buffer,s+1,n,index+1,k);
            //get_collection(buffer,i,n,index+1,k);
            hash_table[s]=false;
        }
    }
}

int main(){
    int n,k;
    scanf("%d %d",&n,&k);
    for(int i=0;i<n;i++)
        scanf("%d",&buffer[i]);
    get_collection(buffer,0,n,index,k);
    return 0;
}

 

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。
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