分红酒(广度优先搜索)

标题:分红酒

  有4个红酒瓶子,它们的容量分别是:9升, 7升, 4升, 2升 
  开始的状态是 [9,0,0,0],也就是说:第一个瓶子满着,其它的都空着。

  允许把酒从一个瓶子倒入另一个瓶子,但只能把一个瓶子倒满或把一个瓶子倒空,不能有中间状态。这样的一次倒酒动作称为1次操作。

  假设瓶子的容量和初始状态不变,对于给定的目标状态,至少需要多少次操作才能实现?

  本题就是要求你编程实现最小操作次数的计算。
  输入:最终状态(逗号分隔)
  输出:最小操作次数(如无法实现,则输出-1)

例如:
输入:
9,0,0,0
应该输出:
0

输入:
6,0,0,3
应该输出:
-1

输入:
7,2,0,0
应该输出:
2

 

最初做这道题的时候,并没有任何思路。

最近准备软件大赛的时候,刚好看到这题,我便开始用刚学会的深搜来解决,结果发现不太实际,自己的代码也没有通过。

后来听同学说,遇到这种求最小次数等的问题最好用广搜,所以便开始学习广搜,结果如此奇妙,果然还是广搜的效率高很多。

通过学习大牛的思路,终于理解了这道题,通过我自己的代码和注释,希望对别人有所帮助。

 

View Code
 1 #include<iostream>   
 2 #include<queue>   
 3 using namespace std;   
 4          
 5 typedef struct   
 6 {   
 7     int now[4];   
 8     int step;   
 9 }state;   
10 int full[4] = {9 , 7 , 4 , 2};   
11 int vis[10][8][5][3];  //用来判断是否是已经记录的状态   
12          
13 int bfs(state& temp , int i , int j)   
14 {   
15     if(i == j) return 0;  //i中的水不能倒在i中   
16     if(temp.now[i] == 0) return 0;  //i中没有水,不能操作   
17     if(temp.now[j] == full[j]) return 0;  //j中水已满,不能操作   
18     if(temp.now[i] + temp.now[j] <= full[j])  //进入倒水环节   
19     {   
20         temp.now[j] = temp.now[j] + temp.now[i];  //将i中的水全部倒入j中   ******   
21         temp.now[i] = 0;   
22     }   
23     else                                  //将j倒满   
24     {   
25         temp.now[i] = temp.now[i] - (full[j] - temp.now[j]);   
26         temp.now[j] = full[j];   
27     }   
28     if(vis[temp.now[0]][temp.now[1]][temp.now[2]][temp.now[3]])   
29     {return 0;}   
30     else vis[temp.now[0]][temp.now[1]][temp.now[2]][temp.now[3]] = 1;   
31     temp.step++;   
32     return 1;   
33 }   
34 int main()   
35 {   
36     int end[4];   //需要输入的最后状态   
37     int i , j , flag;   
38     while(cin>>end[0]>>end[1]>>end[2]>>end[3])   
39     {   
40         queue<state>q;   
41         flag = 0;   
42         memset(vis , 0 , sizeof(vis));   
43         if(end[0]+end[1]+end[2]+end[3]!=9)  //非法状态   
44         {cout<<"-1"<<endl;flag = 1;}   
45         if(end[0]>full[0]||end[1]>full[1]||end[2]>full[2]||end[3]>full[3])    
46         {cout<<"-1"<<endl;flag = 1;}  //非法状态   
47         state star;      //初始状态  初始化   
48         star.now[0] = 9;   
49         star.now[1] = 0;   
50         star.now[2] = 0;   
51         star.now[3] = 0;   
52         star.step = 0;   
53         q.push(star);    //将初始状态压入队列   
54         while(!q.empty())   
55         {   
56             state temp = q.front();   
57             q.pop();   
58             if(temp.now[0]==end[0]&&temp.now[1]==end[1]&&temp.now[2]==end[2]&&temp.now[3]==end[3])   
59             {   
60                 flag = 1;   
61                 printf("%d\n" , temp.step);   
62                 break;   
63             }   
64             for(i = 0; i < 4; i++)   
65             {   
66                 for(j = 0; j < 4; j++)   
67                 {   
68                     state temp2 = temp;   
69                     if(bfs(temp2 , i , j))   
70                          q.push(temp2);   
71                 }   
72             }   
73         }   
74         if(!flag)  cout<<"-1"<<endl;   
75     }   
76     return 0;   
77 }

 

转载于:https://www.cnblogs.com/nigel-jw/archive/2013/05/06/3063659.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 粒子群算法和支持向量机是两种不同的优化方法和分类算法,粒子群算法作为一种群体智能算法,主要通过个体之间的信息传递和迭代更新来寻找最优解,而支持向量机则是一种基于最大间隔原则的分类算法,通过确定最佳超平面将数据分为不同类别。粒子群算法可以用来优化支持向量机分类器,达到更好的分类效果。 对于葡萄分类问题,可以将多个特征作为输入,将葡萄分为不同类别。使用支持向量机可以找到最佳的超平面将数据分为两类或多类。然而,支持向量机的优化问题是一个凸优化问题,但是对于大规模特征数据集,解决这个问题的时间复杂度是非常高的,需要使用一些优化算法加速。 粒子群算法可以通过参数优化来提高支持向量机的分类精度。它通过寻找最优的参数值来修改分类器的分类边界。在使用粒子群算法优化支持向量机时,首先要确定需要优化的参数,比如SVM的核函数参数,损失函数参数等。然后,生成一个初始的群体,每个粒子代表SVM的一个参数值向量。粒子定位在参数空间中,并根据其目标函数值进行调整。迭代更新方式可以确保优秀的解决方案在整个算法中保持。 通过使用粒子群算法优化支持向量机,我们可以获得更好的分类效果。对于大规模数据集,粒子群算法还可以提升计算速度,以更快的速度找到最佳解决方案,有效节约时间和资源。 ### 回答2: 粒子群算法是一种优化算法,以模拟鸟群、鱼群等自然群体行为为基础。该算法通过模拟“社会化学习”和“个体经验学习”的过程,不断调整每个个体(粒子)的位置和速度,从而找到最优解或近似最优解。支持向量机(SVM)是一个广泛使用的分类器,它的性能和参数调整密切相关。本文探讨使用粒子群算法优化SVM分类器在葡萄分类中的应用。 葡萄是世界上著名的饮品之一,其分类和品质评定至关重要。 SVM是一种常用的葡萄分类方法。为了优化SVM的性能,需要对其参数进行调整,比如C值和核函数选择等。而传统的参数优化方法如网格搜索或随机搜索等,需要进行大量的计算,并且易于落入局部最优解。 粒子群算法可以自适应地学习和适应问题空间,它可以直接优化SVM的参数,使得其性能得到提升,避免了局部最优解的问题。具体地,可以将粒子群算法应用于确定SVM的C值和核函数类型,调整这些参数以最大化SVM分类器的预测准确率。在实验结果中,将粒子群算法和SVM结合使用,确实可以显著提高葡萄分类的性能。 综上所述,粒子群算法优化SVM分类器在葡萄分类中具有很好的应用前景。使用该算法可以更好地调整SVM的参数,提高其分类性能,通过调整核函数和C值,从而实现更精确的分类和品质评定。 ### 回答3: 粒子群算法是一种机器学习中的优化算法,其思想源于自然界中群体行为的研究。SVM(支持向量机)是一种常用的分类算法,常用于对数据进行分类和回归。粒子群算法优化SVM分类葡萄的过程是将粒子群算法的搜索能力搭配SVM的分类能力进行联合优化。 粒子群算法通过仿照鸟群或鱼群的群体行为,模拟每个粒子的飞行过程,不断更新粒子的位置和速度,以寻找最佳解。在优化SVM分类葡萄的过程中,需要设定优化目标及粒子的初始化位置和速度,以及更新规则等参数。通过不断的迭代计算,粒子群算法能够逐渐逼近最优解,从而优化SVM分类葡萄的效果。 在实际应用中,粒子群算法优化SVM分类葡萄能够有效提高分类器的准确率和泛化能力,尤其是在处理高维数据或大规模数据时能够有良好的表现。但同时也需要考虑到算法的计算复杂度和参数调整等问题,以及对数据预处理和特征选择的影响。 总之,粒子群算法是一种有效的优化算法,可以搭配SVM等分类器对分类问题进行优化处理,具有较高的应用价值。
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