POJ 3083 Children of the Candy Corn (DFS+BFS)

题目链接

POJ 3083

题目大意

给定一个迷宫,S是起点,E是终点,#是墙不可走,.可以走。
(1)输出沿着左边墙从起点走到终点经过的格数
(2)输出沿着右边墙从起点走到终点经过的格数
(3)起到到终点的最短路

分析

这是一道练习搜索的好题。
1.对于沿着某一边墙走
用dfs来实现,以沿左边墙为例分析:
如何保证我们的路径一直是沿着左边墙走呢?对于每一个状态,我们要按向左走、向前走、向右走、向后走的优先次序往下一个状态转移,即:能向左走就向左走,不能就向前走,再不能就向右走,再不能就向后走。这里的前后左右是一个相对的概念,由人的朝向决定,因此,我们在dfs时需要维护一个代表朝向的参数。
我按以下的方式定义朝向:
这里写图片描述
假设当前位置下我面朝1,(即上一步我是从3走过来的),我的搜索顺序应该为2103(从左手边开始顺时针转)
沿着右边的墙走同理。
由于不是求最短路,格子可以重复走,因此不需要标记数组。
2.对于求迷宫最短路
只能用BFS,层层扩展,队尾元素的步数是队首元素步数+1.

本题还是要注意字符地图的输入。

代码

#include <iostream>
#include <cstdio>
#include <cstring>
#include <queue>
#define MAXN 41
using namespace std;
struct Node
{
    int x,y,step;
};
char maze[MAXN][MAXN];
int n,m,l_step,r_step,sp_step;
bool vis[MAXN][MAXN],l_flag,r_flag,sp_flag;
bool can(int x,int y)
{
    if (1<=x&&x<=n&&1<=y&&y<=m&&maze[x][y]!='#')
        return true;
    return false;
}
void DFS_LF(int x,int y,int d)//x,y表示坐标,d表示朝向
{
    if (l_flag) return;
    l_step++;
    if (maze[x][y]=='E')
    {
        l_flag=true;
        return;
    }
    switch (d)
    {
        case 0:///1032
        {
            if (can(x,y-1))
                DFS_LF(x,y-1,1);
            else if (can(x-1,y))
                DFS_LF(x-1,y,0);
            else if (can(x,y+1))
                DFS_LF(x,y+1,3);
            else if (can(x+1,y))
                DFS_LF(x+1,y,2);
            break;
        }
        case 1:///2103
        {
            if (can(x+1,y))
                DFS_LF(x+1,y,2);
            else if (can(x,y-1))
                DFS_LF(x,y-1,1);
            else if (can(x-1,y))
                DFS_LF(x-1,y,0);
            else if (can(x,y+1))
                DFS_LF(x,y+1,3);
            break;
        }
        case 2:///3210
        {
            if (can(x,y+1))
                DFS_LF(x,y+1,3);
            else if (can(x+1,y))
                DFS_LF(x+1,y,2);
            else if (can(x,y-1))
                DFS_LF(x,y-1,1);
            else if (can(x-1,y))
                DFS_LF(x-1,y,0);
            break;
        }
        case 3:///0321
        {
            if (can(x-1,y))
                DFS_LF(x-1,y,0);
            else if (can(x,y+1))
                DFS_LF(x,y+1,3);
            else if (can(x+1,y))
                DFS_LF(x+1,y,2);
            else if (can(x,y-1))
                DFS_LF(x,y-1,1);
            break;
        }
    }
    return;
}
void DFS_RF(int x,int y,int d)
{
    if (r_flag) return;
    r_step++;
    if (maze[x][y]=='E')
    {
        r_flag=true;
        return;
    }
    switch (d)
    {
        case 0:///3012
        {
            if (can(x,y+1))
                DFS_RF(x,y+1,3);
            else if (can(x-1,y))
                DFS_RF(x-1,y,0);
            else if (can(x,y-1))
                DFS_RF(x,y-1,1);
            else if (can(x+1,y))
                DFS_RF(x+1,y,2);
            break;
        }
        case 1:///0123
        {
            if (can(x-1,y))
                DFS_RF(x-1,y,0);
            else if (can(x,y-1))
                DFS_RF(x,y-1,1);
            else if (can(x+1,y))
                DFS_RF(x+1,y,2);
            else if (can(x,y+1))
                DFS_RF(x,y+1,3);
            break;
        }
        case 2:///1230
        {
            if (can(x,y-1))
                DFS_RF(x,y-1,1);
            else if (can(x+1,y))
                DFS_RF(x+1,y,2);
            else if (can(x,y+1))
                DFS_RF(x,y+1,3);
            else if (can(x-1,y))
                DFS_RF(x-1,y,0);
            break;
        }
        case 3:///2301
        {
            if (can(x+1,y))
                DFS_RF(x+1,y,2);
            else if (can(x,y+1))
                DFS_RF(x,y+1,3);
            if (can(x-1,y))
                DFS_RF(x-1,y,0);
            else if (can(x,y-1))
                DFS_RF(x,y-1,1);
            break;
        }
    }
    return;
}
void BFS_SP(int x,int y)
{
    queue<Node> Q;
    int next[4][2]={{-1,0},{1,0},{0,-1},{0,1}};
    memset(vis,false,sizeof(vis));
    Node s;
    s.x=x;s.y=y;
    s.step=1;
    vis[s.x][s.y]=1;
    Q.push(s);
    while (!Q.empty())
    {
        Node temp=Q.front();
        Q.pop();
        for (int i=0;i<=3;i++)
        {
            Node temp2;
            temp2.x=temp.x+next[i][0];
            temp2.y=temp.y+next[i][1];
            if (can(temp2.x,temp2.y)&&!vis[temp2.x][temp2.y])
            {

                vis[temp2.x][temp2.y]=true;
                temp2.step=temp.step+1;
                Q.push(temp2);
                if (maze[temp2.x][temp2.y]=='E')
                {
                    sp_step=temp2.step;
                    return;
                }
            }
        }
    }
}
int main()
{
    int t,i,j,x,y,direction;
    cin>>t;
    while (t--)
    {
        cin>>m>>n;
        getchar();
        for (i=1;i<=n;i++)
        {
            for (j=1;j<=m;j++)
            {
                scanf("%c",&maze[i][j]);
                if (maze[i][j]=='S')
                {
                    x=i;y=j;
                }
            }
            getchar();
        }
        if (x==n)
            direction=0;  ///朝上
        else if (y==m)
            direction=1;  ///朝左
        else if (x==1)
            direction=2;  ///朝下
        else if (y==1)
            direction=3;  ///朝右
        /*左转优先dfs*/
        l_step=1;l_flag=false;
        switch (direction)
        {
            case 0:{DFS_LF(x-1,y,0);break;}
            case 1:{DFS_LF(x,y-1,1);break;}
            case 2:{DFS_LF(x+1,y,2);break;}
            case 3:{DFS_LF(x,y+1,3);break;}
        }
        cout<<l_step<<' ';
        /*右转优先dfs*/
        r_step=1;r_flag=false;
        switch (direction)
        {
            case 0:{DFS_RF(x-1,y,0);break;}
            case 1:{DFS_RF(x,y-1,1);break;}
            case 2:{DFS_RF(x+1,y,2);break;}
            case 3:{DFS_RF(x,y+1,3);break;}
        }
        cout<<r_step<<' ';
        /*bfs求迷宫最短路*/
        BFS_SP(x,y);
        cout<<sp_step<<endl;
    }
    return 0;
}
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。
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