hdu12429(BFS+优先队列)

  1 #include <iostream>
  2 #include <stdio.h>
  3 #include <cstring>
  4 #include <queue>
  5 #define Max 0x7f7f7f7f
  6 using namespace std;
  7 struct node
  8 {
  9     int x;
 10     int y;
 11     int time ;
 12     friend bool operator < ( node a,node b)
 13     {
 14         return a.time>b.time;//开始错在这个地方了,感觉这里好怪啊,这个排序的东西我在单独写篇吧
 15     }
 16 };
 17 int dir[4][2]={{1,0},{-1,0},{0,-1},{0,1}};
 18 char map[205][205];
 19 int visited[205][205];
 20 int ans[205][205];
 21 int n,m;
 22 
 23 void bfs(int x,int y)
 24 {
 25     memset(visited,0,sizeof(visited));
 26     memset(ans,Max,sizeof(ans));
 27     priority_queue <node> que;
 28     node head,tail,tmp;
 29     head.x=x;
 30     head.y=y;
 31     head.time=0;
 32     que.push(head);
 33     visited[x][y]=1;
 34     ans[x][y]=0;
 35     while(!que.empty())
 36     {
 37         tmp=que.top();
 38         que.pop();
 39         if(map[tmp.x][tmp.y]=='r')
 40         {
 41             return ;
 42         }
 43         for(int i=0;i<4;i++)
 44         {
 45             tail.x=tmp.x+dir[i][0];
 46             tail.y=tmp.y+dir[i][1];
 47             if(visited[tail.x][tail.y]==0 && tail.x>=0 && tail.x<n &&tail.y>=0 &&tail.y<m && map[tail.x][tail.y]!='#')
 48             {
 49                 if(map[tail.x][tail.y]=='x')
 50                 {
 51                     tail.time=tmp.time+2;
 52                     ans[tail.x][tail.y]=ans[tmp.x][tmp.y]+2;
 53                 }
 54                 else
 55                 {
 56                     tail.time=tmp.time+1;
 57                     ans[tail.x][tail.y]=ans[tmp.x][tmp.y]+1;
 58                 }
 59                 visited[tail.x][tail.y]=1;
 60                 que.push(tail);
 61             }
 62         }
 63     }
 64 
 65 
 66 }
 67 
 68 int main()
 69 {
 70 
 71     char ch;
 72     int x,y;
 73     int i,j;
 74     while(scanf("%d%d",&n,&m)!=EOF)
 75     {
 76         getchar();
 77         for(i=0;i<n;i++)
 78         {
 79             for(j=0;j<m;j++)
 80             {
 81                 scanf("%c",&ch);
 82                 map[i][j]=ch;
 83                 if(ch=='a')
 84                 {
 85                     x=i;
 86                     y=j;
 87                 }
 88             }
 89             getchar();
 90         }
 91 
 92         bfs(x,y);
 93         int flag=0;
 94         for(i=0;i<n;i++)
 95         {
 96             for(j=0;j<m;j++)
 97             {
 98                 if(visited[i][j]==1 && map[i][j]=='r')
 99                 {
100                     printf("%d\n",ans[i][j]);
101                     flag=1;
102                     break;
103                 }
104             }
105         }
106         if(flag==0)
107         printf("Poor ANGEL has to stay in the prison all his life.\n");
108 
109     }
110     return 0;
111 }

我这里写的稍微有点复杂了,复杂在用了ans[][]来保存结果,其实不用这样,node 中的time已经保存了多要求的值了,所以改成 int bfs(),在适当的地方返回一个正确的值就ok了

转载于:https://www.cnblogs.com/devil-91/archive/2012/08/16/2642448.html

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
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