mooc北大算法课第八周:深度优先搜索(一)

本文介绍了深度优先搜索的概念,通过图的表示方法讲解了深度优先搜索在寻找路径问题中的应用。举例了城堡问题、踩方格问题、红与黑、A Knight's Journey及棋盘问题等多个实例,详细阐述了解题思路和解决方案,并提供了相应的代码实现。
摘要由CSDN通过智能技术生成

本周内容居然这么快就完成了,我可太厉害辽(●’◡’●)

深度优先搜索(一)

深度优先搜索(Depth-First-Search):
从起点开始,走过的点要做标记,发现有没走过的点,就随意挑一个往前走,走不了就后退,此种路径搜索策略就称为“深度优先搜索”,简称“深搜”。

其实称为“远度优先搜索”更容易理解些。因为这种策略能往前走一步就往前走一步,总是试图走得更远。所谓远近(或深度),就是以距离起点的步数来衡量的。
在图上寻找路径
代码:

Node path[MAX_LEN];// MAX-LEN取节点总数即可
int depth;
bool Dfs(V){
   
    if(V为终点) {
   
        path[depth] = V;
        return true;
    }
    if(V为旧点)
        return false;
    将V标记为旧点;
    path[depth] = V;
    ++ depth;
    对和v相邻的每个节点U {
   
        if(Dfs(U) == true)
            return true;
    }
    -- depth;// 从V出发走不到终点,回退V的父节点
    return false;

int main()
{
   
    将所有点都标记为新点;
    depth = 0;
    if(Dfs(起点)) {
   
        for(int i = 0; i <= depth; ++ i)
            cout << path[i] << endl;
    }
}

遍历图上所有节点:
代码:

Dfs(V) {
   
    if(V是旧点)
       return;
    将v标记为旧点;
    对和V相邻的每个点U {
   
        Dfs(U);
    }
}
int main() {
   
    将所有点都标记为新点;
    while(在图中能找到新点k)
       Dfs(k);
}

图的表示方法——邻接表
用一个二维数组G存放图,G[i][j]表示节点i和节点j之间边的情况(如有无边,边方向,权值大小等)。遍历复杂度:O(n^2),n为节点数目。

每个节点V对应一个一维数组,里面存放从V连出去的边,边的信息包括另一顶点。还可能包含边权值等。遍历复杂度:O(n+e),n为节点数目,e为边数目。

例题1:城堡问题
描述:
右图是一个城堡的地形图(城堡四面都是墙).请你编写一个程序,计算城堡一共有多少房间,最大的房间多大。城堡被分割为m*n(m <= 50,n <= 50)个方块,每个方块可以有0~4面墙。

     1   2   3   4   5   6   7  
   #############################
 1 #   |   #   |   #   |   |   #
   #####---#####---#---#####---#
 2 #   #   |   #   #   #   #   #
   #---#####---#####---#####---#
 3 #   |   |   #   #   #   #   #
   #---#########---#####---#---#
 4 #   #   |   |   |   |   #   #
   #############################
           (1)

   #  = Wall
   |  = No wall
   -  = No wall

输入:

  1. 程序从标准输入设备读入数据。
  2. 第一行是两个整数,分别是南北向、东西向的方块数。
  3. 在接下来的输入行里,每个方块用一个数字(0≤p≤50)描述。用一个数字表示方块周围的墙,1表示西墙,2表示北墙,4表示东墙,8表示南墙。每个方块用代表其周围墙的数字之和表示。城堡的内墙被计算两次,方块(1,1)的南墙同时也是方块(2,1)的北墙。
  4. 输入的数据保证城堡至少有两个房间

输出:

  1. 城堡的房间数、城堡中最大房间所包括的方块数。
  2. 结果显示在标准输出设备上。

样例输入:

4
7
11 6 11 6 3 10 6
7 9 6 13 5 15 5
1 10 12 7 13 7 5
13 11 10 8 10 12 13

样例输出:

5
9

解题思路:

  1. 把方块看作是节点,相邻两个方块之间如果没有墙,则在方块之间连一条边,这样城堡就能转换成一个图。
  2. 求房间个数,实际上就是在求图中有多少个极大联通子图。
  3. 一个连通子图,往里头加任何一个图里的其他点,就会变得不连通,那么这个连通子图就是极大连通子图。
  4. 对每一个房间,深度优先搜索,从而给这个房间能够到达的所有位置染色。最后统计一共用了几种颜色,以及每种颜色的数量。
  5. 从而一共有5个房间,最大的房间(1)占据9个格子。

1 1 2 2 3 3 3
1 1 1 2 3 4 3
1 1 1 5 3 5 3
1 5 5 5 5 5 3

代码:

#include <iostream>
#include <stack>
#include <cstring>
using namespace std;
int R,C; //行列数
int rooms[60][60]; //保存图信息
int color[60][60]; //方块是否染色过的标记
int maxRoomArea = 0;
int roomNum = 0;
int roomArea; //正在探索的房间面积
void Dfs(int i, int k) {
   
    if(color[i][k]) //方块被走过
        return;
    ++ roomArea;
    color[i][k] = roomNum;
    //与操作
    if((rooms[i
哈夫曼编码(Huffman Coding)是一种编码方式,哈夫曼编码是可变字长编码(VLC)的一种。 Huffman于1952年提出一种编码方法,该方法完全依据字符出现概率来构造异字头的平均长 度最短的码字,有时称之为最佳编码,一般就叫作Huffman编码。 以哈夫曼树─即最优二叉树,带权路径长度最小的二叉树,经常应用于数据压缩。 在计算机信息处理中,“哈夫曼编码”是一种一致性编码法(又称"熵编码法"),用于数据的无损耗压缩。这一术语是指使用一张特殊的编码表将源字符(例如某文件中的一个符号)进行编码。这张编码表的特殊之处在于,它是根据每一个源字符出现的估算概率而建立起来的(出现概率高的字符使用较短的编码,反之出现概率低的则使用较长的编码,这便使编码之后的字符串的平均期望长度降低,从而达到无损压缩数据的目的)。这种方法是由David.A.Huffman发展起来的。 例如,在英文中,e的出现概率很高,而z的出现概率则最低。当利用哈夫曼编码对一篇英文进行压缩时,e极有可能用一个位(bit)来表示,而z则可能花去25个位(不是26)。用普通的表示方法时,每个英文字母均占用一个字节(byte),即8个位。二者相比,e使用了一般编码的1/8的长度,z则使用了3倍多。倘若我们能实现对于英文中各个字母出现概率的较准确的估算,就可以大幅度提高无损压缩的比例。 <br>
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