[kuangbin]非常可乐 | 倒水问题、状态转移搜索

大家一定觉的运动以后喝可乐是一件很惬意的事情,但是seeyou却不这么认为。因为每次当seeyou买了可乐以后,阿牛就要求和seeyou一起分享这一瓶可乐,而且一定要喝的和seeyou一样多。但seeyou的手中只有两个杯子,它们的容量分别是N 毫升和M 毫升 可乐的体积为S (S<101)毫升 (正好装满一瓶) ,它们三个之间可以相互倒可乐 (都是没有刻度的,且 S==N+M,101>S>0,N>0,M>0) 。聪明的ACMER你们说他们能平分吗?如果能请输出倒可乐的最少的次数,如果不能输出"NO"。

Input

三个整数 : S 可乐的体积 , N 和 M是两个杯子的容量,以"0 0 0"结束。

Output

如果能平分的话请输出最少要倒的次数,否则输出"NO"。

Sample Input

7 4 3
4 1 3
0 0 0

Sample Output

NO
3

 

之前有一道和这个相似的,所以我看到这个题就大胆的写了,不过还是wa了两次,因为细节没注意好,因为状态转移每个都一样所以我就直接复制了,但是复制过程中忘记 改变量 了,结果悲剧了,又一个一个找的错误。

 

题目思路: 其实这个题和之前那个倒水题目类似,而且这个题目比那个简单,这个题目没有要求记录路径,直接标记加输出就可以了。

细节:

1.六个状态的转移,每个状态后续再跟六个状态:

s->a (1)  a会满 (2) a不会满

s->b (1)  b会满 (2) b不会满

其余的状态与之类似,在状态转移的时候,注意好,与之无关的变量是不需要改变的,比如说 a->b 那 此时 now.stas=pre.stas,即s的状态与之前相同。

2.结束的条件就是可以平分可乐,但是这里需要注意一下,任意两个瓶子平分都是可以的。我在这里用了 任意两个相等,且另一个为0 ,但是在这里注意 任意 的那两个 必须有值,因为开始 a,b是0,本来就相等。 所以其中一种情况为:

if(pre.staa==pre.stab&&pre.staa&&pre.stab&&pre.stas==0)
     return pre.step;

剩下两种肯定也会写了,中间用|| 链接。在这里其实还有另一种写法,就是 staa==s/2&&stab==s/2。 这种代码比较简单,但是由于我笨刚开始写麻烦了。

3. 不要忘记vis数组的初始化,这个数组是用来标记 s,a,b每个的状态是否出现过,而且这个题多组输入所以一定要有初始化!

接下来 ,我就附上AC的代码+注释,还是一样,这种题状态太多,码量太大,要细心:


/*Status
Accepted
Time
46ms
Memory
2880kB
Length
6084
Lang
C++
Submitted
2019-02-26 15:58:23
Shared

Select Code*/
#include <queue>
#include <cstdio>
#include <stdlib.h>
#include <string.h>
#include <math.h>
#include <iostream>
#include <stack>
#include <algorithm>
#include <vector>
#define MIN(x,y) ((x)<(y)?(x) : (y))
#define MAX(x,y) ((x)>(y)?(x) : (y))
using namespace std;
typedef long long ll;
typedef unsigned long long ull;
const int mod=10007;
const int INF=0x3f3f3f3f;
const int maxn=1e6+5;
bool vis[105][105][105];
int s,a,b;
struct node{
    int stas,staa,stab;
    int step;
};
int bfs()
{
    queue<node>q;
    memset(vis,0,sizeof(vis));
    node st;
    st.staa=0;st.stab=0;st.stas=s;st.step=0;
    vis[st.staa][st.stab][st.stas]=true;
    q.push(st);
    while(!q.empty())
    {
        node pre=q.front();q.pop();
       // printf("%d %d %d\n",pre.staa,pre.stab,pre.stas);
        if((pre.staa==s/2&&pre.stab==s/2)||(pre.stas==s/2&&pre.staa==s/2)||(pre.stab==s/2&&pre.stas==s/2)) return pre.step;
        if(pre.stas!=0)
        {
            node now;
            if(pre.stas+pre.staa>=a)//s->a the one
            {
                now.staa=a;now.stab=pre.stab;
                now.stas=pre.stas+pre.staa-a;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            else// s->a the two
            {
                now.staa=pre.staa+pre.stas;now.stab=pre.stab;
                now.stas=0;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            if(pre.stas+pre.stab>=b) //s->b the one
            {
                now.staa=pre.staa;now.stab=b;
                now.stas=pre.stas+pre.stab-b;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            else // s->b the two
            {
                now.staa=pre.staa;now.stab=pre.stab+pre.stas;
                now.stas=0;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
        }
        if(pre.stab!=0)
        {
            node now;
            if(pre.stab+pre.staa>=a)//b->a the one
            {
                now.staa=a;now.stab=pre.staa+pre.stab-a;
                now.stas=pre.stas;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            else// b->a the two
            {
                now.staa=pre.staa+pre.stab;now.stab=0;
                now.stas=pre.stas;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            if(pre.stas+pre.stab>=s) //b->s the one
            {
                now.staa=pre.staa;
                now.stab=pre.stab+pre.stas-s;
                now.stas=s;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            else // b->s the two
            {
                now.staa=pre.staa;now.stab=0;
                now.stas=pre.stas+pre.stab;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
        }
        if(pre.staa!=0)
        {
            node now;
            if(pre.stas+pre.staa>=s)//a->s the one
            {
                now.staa=pre.staa+pre.stas-s;now.stab=pre.stab;
                now.stas=s;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            else// a->s the two
            {
                now.staa=0;now.stab=pre.stab;
                now.stas=pre.stas+pre.staa;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            if(pre.staa+pre.stab>=b) //a->b the one
            {
                now.staa=pre.staa+pre.stab-b;
                now.stab=b;
                now.stas=pre.stas;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
            else // a->b the two
            {
                now.staa=0;now.stab=pre.staa+pre.stab;
                now.stas=pre.stas;
                now.step=pre.step+1;
                if(vis[now.staa][now.stab][now.stas]==false)
                {
                    vis[now.staa][now.stab][now.stas]=true;
                    q.push(now);
                }
            }
        }
    }
    return -1;
}
int main()
{
    while(scanf("%d%d%d",&s,&a,&b)&&s&&a&&b)
    {
        if(s%2==1) printf("NO\n");//奇数一定不平分
        else
        {
            int ans=bfs();
            if(ans==-1) printf("NO\n");
            else
                printf("%d\n",ans);
        }
    }
    return 0;
}

希望大家能一次AC哦,加油。

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

打赏作者

一只酷酷光儿( CoolGuang)

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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