Common LISP实现简单的深度优先搜索

本文介绍了如何在有向无环图(DAG)中使用深度优先搜索(DFS)寻找从起点到终点的路径。通过定义属性设置函数putProp,建立了图中节点的父子关系,并通过Lisp代码实现DFS算法,最终成功找到了从S到F的路径并输出了结果。

        这里的搜索,指的是简单的有向无环图中的搜索。首先手工建立图中各结点之间的关系,然后使用程序判断是否存在从起始结点到终止结点的路径。

 

 

这里的搜索问题简化为在上述的有向无环图中寻找一条从S到F的路径。

在图中,如果有从结点P到结点C的有向弧,则P称为C的父节点,C称为P的子结点。

可以将上图使用原子和特性表来表示。

为了简化Common Lisp中对符号特性的设置,定义属性设置函数putProp。代码如下:

;将物体obj的名为name的属性的值设置为value

(defun putProp (obj name value )

 (setf (get obj name) value)

)

;测试函数putProp的代码

(putprop 'James 'son '(robert albert) )

(get 'James 'son)

利用putProp设置图中各个结点之间的直接父子关系(手工建立关系图,确实是个枯燥累人的工作)。代码如下:

(putProp 'S 'children '(L O))  ;设置S结点的子结点为L和O

(putProp 'L 'children '(M F))  ;设置L结点的子结点为M和F

(putProp 'M 'children '(N))   ;设置M结点的子结点为N

(putProp 'N 'children '(F))   ;设置N结点的子结点为F

(putProp 'O 'children '(P Q))  ;设置O结点的子结点为P和Q

(putProp 'P 'children '(F))   ;设置P结点的子结点为F

(putProp 'Q 'children '(F))   ;设置Q结点的子结点为F

深度优先搜索

;定义expand, 展开结点node,将结点的子结点作为返回值

(defun expand (node)

(get node 'children)

)

;深度优先搜索,从S到F是否存在路径

(defun depth (start finish)

(prog (queue expansion)

(setq queue (list start)) ;初始化

(print queue) ;测试代码. 显示队列内容

tryagain ;循环开始

(cond ;分情况处理

((null queue) (return nil)) ;队列为空, 表示不存在路径,返回nil

((equal finish (car queue)) (return T)) ;找到, 返回T

)

(setq expansion (expand (car queue))) ;扩展队列第一个元素

(setq queue (cdr queue)) ;删除队列中的第一个元素

(setq queue (append expansion queue))   ;扩展队列. 新结点在前,实现深度优先搜索

(print queue) ;测试代码. 显示队列内容

(go tryagain)

)

)

函数的运行及结果:

(depth 's 'f)  ;lisp不区分符号的大小写

运行结果为输出T。

如下图所示:

 

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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

打赏作者

Alexabc3000

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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