C语言_三子棋

如何用C语言写一个简单的“三子棋游戏”?通过这个练习,希望能对C语言的一个更加熟练的运用。

首先可以分多个模块进行代码的编写:主菜单模块,代码实现模块,头文件引用模块。

在代码实现部分里,封装了这样几个函数:void game(char arr[ROW][COL]);    //游戏界面打印
                                                                    void main_1();                                  //游戏的整体实现
                                                                    int move(char arr[ROW][COL]);       //下棋动作实现
                                                                    int IS_win(char arr[ROW][COL]);     //判断游戏结果
                                                                    int full(char arr[ROW][COL]);           //判断棋盘是否下满

每一个C语言程序都必须有一个main()函数,所以我这里就把主菜单放在了主函数里,实现输入1开始游戏,输入0结束游戏,输入其他则提示输入错误。


主菜单部分:

#define _CRT_SECURE_NO_WARNINGS
#include <stdio.h>
#include "code1.h"
void meau()
{
	printf("\t三子棋\n");
	printf("开始游戏**********1\n");
	printf("结束游戏**********0\n");
	printf("请选择:");
}
int main()
{
	int a=1;
	
	while (a!=0)
	{
		meau();
		scanf("%d", &a);
		if (1 == a)
		{
			main_1();
		}
		else if (a!=0)
		{
			printf("输入错误!\n");
		}
	}
	printf("谢谢使用!\n");
	return 0;
}


代码实现部分:

#define _CRT_SECURE_NO_WARNINGS
#include <stdio.h>
#include "code1.h"

void game(char arr[ROW][COL])
{
	int i, j;
	printf("|---|---|---|\n");
	for (i = 0; i < ROW; i++)
	{
		for (j = 0; j < COL; j++)
		{
			if (2 == j)
	         	{
				printf("| %c |", arr[i][j]);
			}
			else
			{
				printf("| %c ", arr[i][j]);
			}

		}
		printf("\n|---|---|---|\n");
	}
}

int move(char arr[ROW][COL])
{
	int x, y;
	static int cout = 0;
	if (cout % 2 == 0)
	{
		printf("甲方下棋:");
	}
	else
	{
		printf("乙方下棋:");
	}
		scanf("%d%d", &x, &y);
		if (x < 0 || x > 3 || y < 0 || y > 3)
		{
			printf("输入错误!\n");
			return 0;
		}
		else if ('\0' == arr[x - 1][y - 1])
		{
			if (cout % 2 == 0)
			{
				arr[x - 1][y - 1] = '*';
			}
			else
			{
				arr[x - 1][y - 1] = '#';
			}
	        cout++;
		    return 1;
		}
		else
		{
			printf("该位置已落棋!\n");
			return 0;
		}
}

int full(char arr[ROW][COL])
{
	int i, j;
	for (i = 0; i < 3; i++)
	{
		for (j = 0; j < 3; j++)
		{
			if ('\0' == arr[i][j])
			{
				return 0;
			}
		}
	}
	return 1;
}

int IS_win(char arr[ROW][COL])
{
	int i;
	for (i = 0; i < ROW; i++)
	{
		if (arr[i][0] == arr[i][1] && arr[i][0] == arr[i][2] && arr[i][0] != '\0')           //第i+1排
		{
			return arr[i][0];
		}
	}
	for (i = 0; i < COL; i++)
	{
		if (arr[0][i] == arr[1][i] && arr[0][i] == arr[2][i] && arr[0][i] != '\0')     //第j+1排
		{
			return arr[0][i];
		}
	}
	if (arr[0][0] == arr[1][1] && arr[0][0] == arr[2][2] && arr[0][0] != '\0')    // \排
	{
		return arr[0][0];
	}
	else if (arr[2][0] == arr[1][1] && arr[2][0] == arr[0][2] && arr[2][0] != '\0')    // /排
	{
		return arr[2][0];
	}
	else if (full(arr))
	{
		return 1;
	}
	return 0;
}


void main_1()
{
	char arr[3][3] = { 0 };
	int k=0;
	for (k=0;k<9;)
	{
		game(arr);
		k+=move(arr);		
		if ('*' == IS_win(arr))
		{
			game(arr);
			printf("甲方胜利!\n");
			break;
		}
		else if ('#' == IS_win(arr))
		{
			game(arr);
			printf("乙方胜利!\n");
			break;
		}
		else if (1 == IS_win(arr))
		{
			game(arr);
			printf("平局。\n");
			break;
		}
	}

}


头文件引用部分:
#ifndef CODE1_H_
#define CODE1_H_

#define ROW 3
#define COL 3

void game(char arr[ROW][COL]);
void main_1();
int move(char arr[ROW][COL]);
int IS_win(char arr[ROW][COL]);

#endif //code1.h


运行结果:


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