hdu1242 Rescue(BFS+优先队列)

原题链接

大意:

天使被MOLIGPY抓住了!他被Moligpy监禁了。监狱被描述为N * M(N,M <= 200)矩阵。监狱里有WALL,ROAD和GUARD。

天使的朋友想要拯救天使。他们的任务是:接近天使。我们假设“接近天使”是为了达到安吉尔留下的位置。当网格中有一名后卫时,我们必须杀死他(或她?)才能进入网格。我们假设我们向上,向下,向右,向左移动需要1个单位时间,并且杀死一名守卫也需要1个单位时间。我们足够强大,可以杀死所有的守卫。

你必须计算接近天使的最短时间。(当然,我们只能将UP,DOWN,LEFT和RIGHT移动到绑定范围内的邻居网格。)
 

输入
第一行包含两个整数代表N和M. 

然后是N行,每行有M个字符。“.” 代表道路,“a”代表Angel,“r”代表Angel的每个朋友。 处理到文件的末尾。 

 

输出
对于每个测试用例,您的程序应输出一个整数,代表所需的最短时间。如果这样的数字不存在,你应该输出一行包含“贫穷的ANGEL必须终生留在监狱里”。 
 

求最短,自然想到用bfs,每个点都有权重?那可以考虑下优先队列。因为题目的意思也没有保证天使的朋友有多少个,所以不如让朋友找天使,不如反过来,从天使出发,找最近的朋友。做过了这题UVA 11624 Fire!对于多点bfs,也可以让多个朋友找天使的,把所有朋友放进队列,再开始bfs,注意!!这里以为只是输入一组数据,WA几次才发现不止一组,可是样例给的是一组,坑啊~~

import java.util.PriorityQueue;
import java.util.Scanner;

public class hdu1242 {

	public static void main(String[] args) {
		Scanner in = new Scanner(System.in);
		while(in.hasNext()) {
			n = in.nextInt();
			m = in.nextInt();
			ch = new char[n+5][m+5];
			vis = new boolean[n+5][m+5];
			pq.clear();
			for(int i=0;i<n;i++)
				ch[i] = in.next().toCharArray();
			
			for(int i=0;i<n;i++)
				for(int j=0;j<m;j++)
					if(ch[i][j]=='a') {
						pq.add(new Node(i, j, 0));
						vis[i][j] = true;
					}
			int ans = bfs();
			if(ans==-1)
				System.out.println("Poor ANGEL has to stay in the prison all his life.");
			else
				System.out.println(ans);
		}
	}
	
	static int n,m;
	static boolean[][] vis;
	static char[][] ch;
	static int[] dx = new int[] {1,0,-1,0};
	static int[] dy = new int[] {0,1,0,-1};
	static PriorityQueue<Node> pq = new PriorityQueue<>();

	
	static int bfs() {
		while(!pq.isEmpty()) {
			Node u = pq.poll();
			if(ch[u.x][u.y]=='r')
				return u.t;
			for(int i=0;i<4;i++)
				if(ok(u.x+dx[i],u.y+dy[i])) {
					if(ch[u.x+dx[i]][u.y+dy[i]]=='x')
						pq.add(new Node(u.x+dx[i],u.y+dy[i],u.t+2));
					else
						pq.add(new Node(u.x+dx[i],u.y+dy[i],u.t+1));
					vis[u.x+dx[i]][u.y+dy[i]] = true;
				}
		}
		
		return -1;
	}
	
	static boolean ok(int x,int y) {
		return  x>=0 && x<n && y>=0 && y<m && ch[x][y]!='#' && !vis[x][y];
	}
	
	static class Node implements Comparable<Node>{
		int x,y,t;
		public Node(int x,int y,int t) {
			this.x = x;
			this.y = y;
			this.t = t;
		}
		@Override
		public int compareTo(Node o) {
			return this.t - o.t;
		}
	}

}

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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