【重点】【BFS】752.打开转盘锁

文章介绍了使用广度优先搜索(BFS)和启发式A*算法解决模拟开锁问题的方法,通过递归和状态转换实现逐步解锁,如果找到目标字符串则返回步数,否则返回-1。

题目

法1:BFS

基础算法,必须掌握!!!

Python

class Solution:
    def openLock(self, deadends: List[str], target: str) -> int:
        if target == "0000":
            return 0
        if "0000" in deadends:
            return -1
        deadSet = set(deadends)
        usedSet = set(["0000"])
        deque = collections.deque()
        deque.append("0000")
        step = 0
        while len(deque) > 0:
            step += 1
            tmp_size = len(deque)
            for i in range(tmp_size):
                curNum = deque.popleft()
                nextNumList = self.nextStatus(curNum)
                for tmpNum in nextNumList:
                    if tmpNum in deadSet or tmpNum in usedSet:
                        continue
                    elif tmpNum == target:
                        return step # ok
                    deque.append(tmpNum)
                    usedSet.add(tmpNum)

        return -1
    
    def nextStatus(self, curNum):
        res = []
        num_list = list(curNum)
        for i in range(len(num_list)):
            curChar = num_list[i]
            plusChar = self.plusOne(curChar)
            num_list[i] = plusChar
            res.append(''.join(num_list))
            minusChar = self.minusOne(curChar)
            num_list[i] = minusChar
            res.append(''.join(num_list))
            num_list[i] = curChar
        return res

    def plusOne(self, digit: str):
        return '0' if digit == '9' else str(int(digit) + 1)
    
    def minusOne(self, digit: str):
        return '9' if digit == '0' else str(int(digit) - 1)

Java

class Solution {
    public int openLock(String[] deadends, String target) {
        if ("0000".equals(target)) {
            return 0;
        }
        Set<String> deadSet = new HashSet<>();
        Set<String> usedSet = new HashSet<>();
        for (String tmp : deadends) {
            if ("0000".equals(tmp)) {
                return -1;
            }
            deadSet.add(tmp);
        }
        int step = 0;
        Queue<String> queue = new LinkedList<>();
        queue.offer("0000");
        usedSet.add("0000");
        while (!queue.isEmpty()) {
            ++step;
            int size = queue.size();
            for (int i = 0; i < size; ++i) { // 类似二叉树层次遍历,每层节点数量
                String curStatus = queue.poll();
                for (String nextTmp : nextStatus(curStatus)) {
                    if (!deadSet.contains(nextTmp) && !usedSet.contains(nextTmp)) {
                        if (nextTmp.equals(target)) {
                            return step;
                        }
                        queue.offer(nextTmp);
                        usedSet.add(nextTmp);
                    }
                }
            }
        }

        return -1; //无法实现返回-1
    }

    public List<String> nextStatus(String cur) {
        List<String> res = new ArrayList<>();
        char[] array = cur.toCharArray();
        for (int i = 0; i < 4; ++i) {
            char tmp = array[i];
            char plusChar = plusOne(tmp);
            char minusChar = minusOne(tmp);
            array[i] = plusChar;
            res.add(String.valueOf(array));
            array[i] = minusChar;
            res.add(String.valueOf(array));
            array[i] = tmp; // 切记这里一定要复原!!!
        }

        return res;
    }

    public char plusOne(char c) {
        return c == '9' ? '0' : (char) (c + 1);
    }

    public char minusOne(char c) {
        return c == '0' ? '9' : (char) (c - 1);
    }
}

法2:启发式-A*算法

A*算法

提供了基于BP(Back Propagation)神经网络结合PID(比例-积分-微分)控制策略的Simulink仿真模型。该模型旨在实现对杨艺所著论文《基于S函数的BP神经网络PID控制器及Simulink仿真》中的理论进行实践验证。在Matlab 2016b环境下开发,经过测试,确保能够正常运行,适合学习和研究神经网络在控制系统中的应用。 特点 集成BP神经网络:模型中集成了BP神经网络用于提升PID控制器的性能,使之能更好地适应复杂控制环境。 PID控制优化:利用神经网络的自学习能力,对传统的PID控制算法进行了智能调整,提高控制精度和稳定性。 S函数应用:展示了如何在Simulink中通过S函数嵌入MATLAB代码,实现BP神经网络的定制化逻辑。 兼容性说明:虽然开发于Matlab 2016b,但理论上兼容后续版本,可能会需要调整少量配置以适配不同版本的Matlab。 使用指南 环境要求:确保你的电脑上安装有Matlab 2016b或更高版本。 模型加载: 下载本仓库到本地。 在Matlab中打开.slx文件。 运行仿真: 调整模型参数前,请先熟悉各模块功能和输入输出设置。 运行整个模型,观察控制效果。 参数调整: 用户可以自由调节神经网络的层数、节点数以及PID控制器的参数,探索不同的控制性能。 学习和修改: 通过阅读模型中的注释和查阅相关文献,加深对BP神经网络与PID控制结合的理解。 如需修改S函数内的MATLAB代码,建议有一定的MATLAB编程基础。
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