P1443 马的遍历

题目链接

#include <cstdio>
#include <cstring>
#include <queue>
using namespace std;
struct xy
{
	int x,y;
}node,top;
int n,m,x0,y0,s[405][405];
const int dx[]={2,2,1,1,-2,-2,-1,-1},dy[]={-1,1,2,-2,-1,1,-2,2};
void bfs(int x,int y,int cur)
{
	s[x][y]=cur;
	queue<xy> q;
	node.x=x;node.y=y;
	q.push(node);
	while(!q.empty())
	{
		top=q.front();
		q.pop();
		for(int i=0;i<8;i++)
		{
			int x1=top.x+dx[i],y1=top.y+dy[i];
			if(x1<1||x1>n||y1<1||y1>m) continue;
			if(s[x1][y1]==-1)
			{
				node.x=x1;
				node.y=y1;
				q.push(node);
				s[x1][y1]=s[top.x][top.y]+1;
			}
		}
	}
}
int main()
{
	scanf("%d%d%d%d",&n,&m,&x0,&y0);
	memset(s,-1,sizeof(s));
	bfs(x0,y0,0);
	for(int i=1;i<=n;i++)
	{
		for(int j=1;j<=m;j++)
		{
			printf("%-5d",s[i][j]);
		}
		printf("\n");
	}
	return 0;
}
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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