poj 2251 3D地牢

#include<iostream>
#include<vector>
using namespace std;
#define N 32

char dun[N][N][N];
int vis[N][N][N];
int c,res;
int L,R,C;

typedef struct dir
{
	int l;
	int r;
	int c;
};
vector<dir> towards;
void getTowards()
{
	dir d1,d2,d3,d4,d5,d6;
	d1.l=0;d1.r=-1;d1.c=0;
	d2.l=0;d2.r=0;d2.c=1;
	d3.l=0;d3.r=1;d3.c=0;
	d4.l=0;d4.r=0;d4.c=-1;
	d5.l=-1;d5.r=0;d5.c=0;
	d6.l=1;d6.r=0;d6.c=0;
	towards.push_back(d1);
	towards.push_back(d2);
	towards.push_back(d3);
	towards.push_back(d4);
	towards.push_back(d5);
	towards.push_back(d6);
}
bool comp(dir a,dir b)
{
	if(a.l==b.l&&a.r==b.r&&a.c==b.c)
		return true;
	return false;
}
bool addin(dir a,dir b)
{
	int l,r,c;
	l=a.l+b.l;
	r=a.r+b.r;
	c=a.c+b.c;
	if(l>=0&&l<=L-1&&r>=0&&r<=R-1&&c>=0&&c<=C-1&&dun[l][r][c]!='#'&&!vis[l][r][c])
		return true;
	return false;
}
void dfs(dir s,dir e)
{
	if(comp(s,e))
	{
		res=c;
		return ;
	}
	vis[s.l][s.r][s.c]=1;
	c++;
	for(int i=0;i<towards.size();++i)
	{
		if(addin(s,towards[i]))
		{
			s.l+=towards[i].l;
			s.r+=towards[i].r;
			s.c+=towards[i].c;
			dfs(s,e);
			s.l-=towards[i].l;
			s.r-=towards[i].r;
			s.c-=towards[i].c;
		}
	}
	c--;
	vis[s.l][s.r][s.c]=0;
}

int main()
{
	getTowards();
	while(cin>>L>>R>>C)
	{
		if(L==0&&R==0&&C==0)
			break;
		dir s,e;
		c=0,res=0;
		for(int i=0;i<L;i++)
			for(int j=0;j<R;j++)
				for(int k=0;k<C;k++)
				{
					cin>>dun[i][j][k];
					vis[i][j][k]=0;
					if(dun[i][j][k]=='S')
					{
						s.l=i;s.r=j;s.c=k;
					}
					if(dun[i][j][k]=='E')
					{
						e.l=i;e.r=j;e.c=k;
					}
				}
		dfs(s,e);
		if(res==0)
			cout<<"Trapped!"<<endl;
		else
			cout<<"Escaped in "<<res<<" minute(s)."<<endl;
	}
	return 0;
}


第一次写3D地牢程序,运行通过,好高兴,不过可能会有超时,需要剪枝什么的,再优化  在这里记录一下

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论 1
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