uva 11212 - Editing a Book(迭代加深搜索 IDA*) 迭代加深搜索

迭代加深搜索

自己看的时候第一遍更本就看不懂。。是很水,但智商捉急也是没有办法的事情。

好在有几个同学已经是做过了这道题并且对迭代加深搜索的思路有了一定的了解,所以在某些不理解的地方询问了一下他们的见解,

真的是很有帮助,也许自己想要想很久才能想明白,还会很痛苦,稍微问一下别人的想法,点上一个方向,剩下的自己就能想得明白了。

迭代加深。

把answer(需要的步数或其他)在主函数里面从零往上递加,此之谓 “层数”,亦可谓之“深度”。用书上的话就是:

从小到大枚举深度上限maxd,每次只考虑深度不超过maxd的节点。

对于可以使用回溯法求解,但是解答树的深度没有明显上限的题目,可以考虑使用迭代加深搜索。

设深度上的上限为maxd(或是设成lim),当前结点n的深度为dep,需要一个乐观估价函数,此函数的作用判断有没有继续dfs下去的必要:

如果在理想乐观状况下,此结点往下dfs都不能达到最终目标要求,则果断需要剪枝。


(妈蛋就是干啊,写到这个地方发现自己的思路有点不清晰,可能有漏洞就回头去研究了一下代码,然后就哭了……自己原来根本没有理解透彻,需要来理清楚~所以又用掉了好长的时间来搞明白某一步是用来干神马的,真是很二。。。)


对于下面这个代码来讲,我迷乱的地方在于每次都是重新递归还是就继续了原来的状态递归。。我一直以为是延续了原来的状态(当然之前还有其他的理解误区……太水了我当时跟本就完全没弄明白啊),但是我发现我想不通,然后一阵狂想,最后还是想不通。。然后就郁闷的从D区回到了宿舍。。然后洗漱之后开始和某小朋友沟通交流了一些事情,某小朋友还是太懂事了搞得自己不开心了,真是笨。。

咳咳扯偏了,,

然后我在某小朋友赶我去睡觉之后,偷偷找来代码看了一眼,然后加了如下一组输出判断自己认知上是否有错误,然后特么果然是有错误。。。人家本就是每次重新遍历,根本没有延续状态。。那个类里面的内容我将其误当做全局变量真是要死啊。。


好吧那几行全是一样的输出。。

然后一切问题就算是解决完了,把代码就给出如下。。

卧槽还是很蛋疼这个理解误区,这尼玛太水了吧。。菜鸟果然是菜鸟哦,不知道啥时候能进化。。。。。

#include <iostream>
#include <cstdio>
#include <cstring>
using namespace std;
class Board
{
public:
    int a[16];
    int h;
    int n;
    bool readIn()
    {
        int i;
        scanf("%d",&n);
        if (n == 0)
            return false;
        for (i=0; i<n; i++)
        {
            scanf("%d",a+i);
        }
        return true;
    }
    void printOut()
    {
        int i;
        for (i=0; i<n; i++)
        {
            printf("%d ", a[i]);
        }
        printf("\n");
        printf("h=%d\n",h);
    }
    void move(int s,int e,int p)
    {
        int t[16],i,j;
        if (p < s)
        {
            for (i=0; i<p; i++)
            {
                t[i]=a[i];
            }
            for (j=s; j<=e; j++,i++)
            {
                t[i]=a[j];
            }
            for (j=p; j<s; j++,i++)
            {
                t[i]=a[j];
            }
            for (j=e+1; j<n; j++,i++)
            {
                t[i]=a[j];
            }
        }
        else
        {
            for (i=0; i<s; i++)
            {
                t[i]=a[i];
            }
            for (j=e+1; j<p; j++,i++)
            {
                t[i]=a[j];
            }
            for (j=s; j<=e; j++,i++)
            {
                t[i]=a[j];
            }
            for (j=p; j<n; j++,i++)
            {
                t[i]=a[j];
            }
        }
        memcpy(a,t,sizeof(t));
    }
    int getH()
    {
        int cnt,i;
        cnt=0;
        for (i=0; i<n-1; i++)
        {
            if (a[i+1] != a[i]+1)
              cnt++;
        }
        if (a[i] != n)
            cnt++;
        h=cnt;
        return cnt;
    }
};
int lim;
int f(int dep,int h)
{
    return dep*3+h;
}
bool IDDFS(int dep,Board b)
{
    int i,j,k;
    Board tb;
    b.getH();

    if (f(dep,b.h) > lim*3)
        return false;
    if (b.getH() == 0)
        return true;
    for (i=0; i<b.n; i++)
    {
        for (j=i; j<b.n; j++)
        {
            for (k=0; k<i; k++)
            {
                tb=b;
                tb.move(i,j,k);
                if (IDDFS(dep+1,tb) == true)
                    return true;
            }
            for (k=j+2; k<b.n; k++)
            {
                tb=b;
                tb.move(i,j,k);
                if (IDDFS(dep+1,tb) == true)
                    return true;
            }
        }
    }
    return false;
}
int main()
{
    Board b;
    int prob;
    prob=1;
    while (b.readIn() == true)
    {
        for (lim=0; ; lim++)
        {
            for(int i=0;i<b.n;i++)
                printf("%d ",b.a[i]);
            printf("\n");
            if (IDDFS(0,b) == true)
                break;
        }
        printf("Case %d: %d\n",prob,lim);
        prob++;
    }
}
用类写的结构体,说真的我还没用过。。看完某些题目和某些大神打完WF的感言之后现在都觉得自己写的这叫什么玩意吧==真是没什么难度了,也没啥不好学的。这叫算法么,会这些应该是理所应当的事情吧,不练ACM估计也能会。。就是操蛋,以后好好干,早点变大神不要再当大水笔了。。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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