2022秋季《人工智能》_EOJ.F 字符路径

题目

在这里插入图片描述

思路

动态规划。
相当于构建一棵树,以坐标为节点,以在路径中的出现先后为层号,只不过树的根节点(起点)可能有多个坐标。题设即找最短权值路径,考虑使用动态规划。对每个坐标计算从起点到该坐标的最小代价,状态转移方程为
c o s t ( c u r O r d ) = min ⁡ ( c o s t ( f a t h e r O r d ) + c a l c u l a t e C o s t ( c u r O r d , c u r F a t h e r ) ) cost(curOrd)=\min(cost(fatherOrd)+calculateCost(curOrd,curFather)) cost(curOrd)=min(cost(fatherOrd)+calculateCost(curOrd,curFather))

代码

#include <bits/stdc++.h>

using namespace std;
#define MAXN 100
#define MAXM 100
#define INF 0x3ffff

char graph[MAXN][MAXM];

// 每个点对应的坐标
map<char,vector<pair<int,int>>> pointToOrd;

// 每个坐标对应的从起点到该坐标的最小代价
// 对于每个坐标,最小代价计算公式为min(cost(父坐标)+calculateCost(该点坐标,父坐标))
map<pair<int,int>,int> ordToCost;

int n,m,k;
string path;
int minCost=INF;

// 计算两坐标间的曼哈顿距离
int calculateCost(pair<int,int> a, pair<int,int> b)
{
    return abs(a.first-b.first)+abs(a.second-b.second);
}

// n:当前已搜索到0~t-1
void searchPath(int t)
{
    // 找到一条合法路径
    if(t==k-1)
    {
        return;
    }

    char cur=path[t];
    char next=path[t+1];
    // 对起点预处理,到起点的代价是0
    if(t==0)
    {
        for(auto i:pointToOrd[cur])
        {
            ordToCost[i]=0;
        }
    }

    for(auto itemNext:pointToOrd[next])
    {
        int iCost=INF;
        for(auto itemCur:pointToOrd[cur])
        {
            iCost=min(iCost,ordToCost[itemCur]+calculateCost(itemNext,itemCur));
        }
        ordToCost[itemNext]=iCost;
    }
    return searchPath(t+1);
}

int main()
{
    cin>>n>>m>>k;
    for(int i=0;i<n;i++)
    {
        for(int j=0;j<m;j++)
        {
            char tmp;cin>>tmp;
            graph[i][j]=tmp;
            pair<int,int> tmpOrd(i,j);
            pointToOrd[tmp].push_back(tmpOrd);
        }
    }

    cin>>path;

    searchPath(0);

    for(auto item:pointToOrd[path[k-1]])
    {
        minCost=min(ordToCost[item],minCost);
//        cout<<ordToCost[item]<<endl;
    }
    cout<<minCost<<endl;

    return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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