[洛谷]P1301 魔鬼之城 (#搜索 -2.8)

本文探讨了一个在N*M网格地图上的探险者如何遵循特定规则从起点(1,1)到达终点(N,M)的算法问题。探险者根据每个房间的魔法数字决定跳跃方向和距离,且不能连续两次向同一方向跳跃。文章提供了一种解决方案,利用队列记录跳跃方向,并使用三维数组标记已走过的路径,最终输出探险者离开魔鬼之城所需的最少跳跃步数。

题目描述

在一个被分割为N*M个正方形房间的矩形魔鬼之城中,一个探险者必须遵循下列规则才能跳跃行动。他必须从(1, 1)进入,从(N, M)走出;在每一房间的墙壁上都写了一个魔法数字,是1~13之内的自然数;探险者可以想像出8个方向中的任何一个(水平或垂直或对角线方向),随后他就可以作一次空间跳跃穿过这一方向上的连续的X个房间,其中X是他原来所在房间的魔法数字。但如果在这一方向上的房间数小于X,则他不作任何跳跃,而必须想像另一个方向。同时,探险者不能作连续两次相同方向的跳跃。

例如在上图的5*4的魔鬼之城中,如果探险者现在所在的位置是(3, 3),那么通过依次空间跳跃他可以到达下列房间中的一个:(1, 1),(3, 1),(1, 3),(5, 1),或(5, 3)。另外,如果他要用两次跳跃从(5, 4)到达(3, 2),则他不能首先跳到(4, 3)(因为这样他第二次跳跃的方向将和第一次相同,而这是不允许的)。所以他必须先跳跃到(2, 1)。

请你写一个程序,对给定的地图,算出探险者至少需要跳跃多少步才能离开魔鬼之城。

输入输出格式

输入格式:

给出N,M(都不超过100);

下来有M行,每行为N个自然数,表示对应房间中的魔法数字。

输出格式:

出最小步数,如果探险者无法离开魔鬼之城,请输出“NEVER”。

输入输出样例

输入样例#1

5 4
3 3 6 7 11
3 2 1 1 3
3 2 2 1 1
2 1 2 2 1

输出样例#1

4

思路

一开始一直70。。原来是把n和m弄倒了。。

一行给出N,M(都不超过100);

下来有M行,每行为N个自然数,表示对应房间中的魔法数字。

问题就出现在n和m上。可以说是一个坑了。

本题看似逼格很高,让我们把问题分解一下。

可以走8个方向,从1,1开始走。不能走相同的方向,可以用队列记录上一个方向。矩阵乱七八糟的数字就是你应该走几步。

注意,需要一个数组标记有没有走过,开3维!!!这句话很重要,我想说3遍。因为本题有一个量:方向是一个坑点。否则你可能会70或80。

#include <stdio.h>
#include <iostream>
#include <string.h>
using namespace std;
int tox[9]={0,1,1,-1,-1,1,-1,0,0};
int toy[9]={0,0,1,-1,0,-1,1,-1,1};
int a[101][101],check[101][101],n,m;
bool b[101][101][9],f;
int que[100001][5];//que[i][1,2]是接下来拓展的坐标x,y,que[i][3]是记录方向,que[i][4]是上一个点的步数 
inline void bfs()
{
	int head(1),tail(1),i;
	que[tail][1]=1;//x坐标 
	que[tail][2]=1;//y坐标 
	que[tail][3]=check[1][1];//存方向 
	que[tail][4]=0;//存节点 
	tail++;
	while(head<tail)
	{
		for(i=1;i<=8;i++)
		{
			if(i!=que[head][3])
			{
				int x1=que[head][1]+tox[i]*a[que[head][1]][que[head][2]];//这是下一个点的写法 
				int y1=que[head][2]+toy[i]*a[que[head][1]][que[head][2]];
				if(x1>=1 && x1<=n && y1>=1 && y1<=m && b[x1][y1][i]==0)
				{
					b[x1][y1][i]=1;
					check[x1][y1]=que[head][4]+1;//记录最少步数 
					que[tail][1]=x1;
					que[tail][2]=y1;
					que[tail][3]=i;//记录这一步的方向 
					que[tail][4]=check[x1][y1];//记录这个点的最少步数 
					tail++;
				}
				if(check[n][m]>0)//终点有值说明走到了,结束即可 
				{
					return;
				}
			}
		}
		head++;
	}
}
int main()
{
	ios::sync_with_stdio(false);
	cin.tie(0);
	int i,j;
	cin>>m>>n;
	for(i=1;i<=n;i++)
	{
		for(j=1;j<=m;j++)
		{
			cin>>a[i][j];
		}
	}
	memset(check,-1,sizeof(check));//初始化位-1 
	check[1][1]=0;
	bfs();
	if(check[n][m]>0)
	{
		cout<<check[n][m]<<endl;
	}
	else
	{
		cout<<"NEVER"<<endl;
	}
	return 0;
}

 

# Ultralytics YOLO 🚀, AGPL-3.0 license # RT-DETR-l object detection model with P3-P5 outputs. For details see https://docs.ultralytics.com/models/rtdetr # Parameters nc: 80 # number of classes scales: # model compound scaling constants, i.e. &#39;model=yolov8n-cls.yaml&#39; will call yolov8-cls.yaml with scale &#39;n&#39; # [depth, width, max_channels] l: [1.00, 1.00, 1024] # From BiliBili 魔鬼面具 backbone: # [from, repeats, module, args] - [-1, 1, ConvNormLayer, [32, 3, 2, None, False, &#39;relu&#39;]] # 0-P1/2 - [-1, 1, ConvNormLayer, [32, 3, 1, None, False, &#39;relu&#39;]] # 1 - [-1, 1, ConvNormLayer, [64, 3, 1, None, False, &#39;relu&#39;]] # 2 - [-1, 1, nn.MaxPool2d, [3, 2, 1]] # 3-P2/4 # [ch_out, block_type, block_nums, stage_num, act, variant] - [-1, 1, Blocks, [64, BasicBlock, 2, 2, &#39;relu&#39;]] # 4 - [-1, 1, Blocks, [128, BasicBlock, 2, 3, &#39;relu&#39;]] # 5-P3/8 - [-1, 1, Blocks, [256, BasicBlock, 2, 4, &#39;relu&#39;]] # 6-P4/16 - [-1, 1, Blocks, [512, BasicBlock, 2, 5, &#39;relu&#39;]] # 7-P5/32 head: - [-1, 1, Conv, [256, 1, 1, None, 1, 1, False]] # 8 input_proj.2 - [-1, 1, AIFI, [1024, 8]] # 9 - [-1, 1, Conv, [256, 1, 1]] # 10, Y5, lateral_convs.0 - [-1, 1, nn.Upsample, [None, 2, &#39;nearest&#39;]] # 11 - [6, 1, Conv, [256, 1, 1, None, 1, 1, False]] # 12 input_proj.1 - [[-2, -1], 1, Concat, [1]] # 13 - [-1, 3, DBBC3, [256, 0.5]] # 14, fpn_blocks.0 - [-1, 1, Conv, [256, 1, 1]] # 15, Y4, lateral_convs.1 - [-1, 1, nn.Upsample, [None, 2, &#39;nearest&#39;]] # 16 - [5, 1, Conv, [256, 1, 1, None, 1, 1, False]] # 17 input_proj.0 - [[-2, -1], 1, Concat, [1]] # 18 cat backbone P4 - [-1, 3, DBBC3, [256, 0.5]] # X3 (19), fpn_blocks.1 - [-1, 1, Conv, [256, 3, 2]] # 20, downsample_convs.0 - [[-1, 15], 1, Concat, [1]] # 21 cat Y4 - [-1, 3, DBBC3, [256, 0.5]] # F4 (22), pan_blocks.0 - [-1, 1, Conv, [256, 3, 2]] # 23, downsample_convs.1 - [[-1, 10], 1, Concat, [1]] # 24 cat Y5 - [-1, 3, DBBC3, [256, 0.5]] # F5 (25), pan_blocks.1 - [[19, 22, 25], 1, RTDETRDecoder, [nc, 256, 300, 4, 8, 3]] # Detect(P3, P4, P5) 将 FPN/PAN中的RepC3替换为DBBC3此改进的好处
07-22
# Ultralytics YOLO 🚀, AGPL-3.0 license # RT-DETR-l object detection model with P3-P5 outputs. For details see https://docs.ultralytics.com/models/rtdetr # Parameters nc: 80 # number of classes scales: # model compound scaling constants, i.e. &#39;model=yolov8n-cls.yaml&#39; will call yolov8-cls.yaml with scale &#39;n&#39; # [depth, width, max_channels] l: [1.00, 1.00, 1024] # From BiliBili 魔鬼面具 backbone: # [from, repeats, module, args] - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 1, C2f_PFDConv, [128]] - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 1, C2f_PFDConv, [256]] - [-1, 1, Conv, [384, 3, 2]] # 5-P4/16 - [-1, 1, C2f_PFDConv, [384]] - [-1, 1, Conv, [384, 3, 2]] # 7-P5/32 - [-1, 3, C2f_PFDConv, [384]] head: - [-1, 1, Conv, [256, 1, 1, None, 1, 1, False]] # 9 input_proj.2 - [-1, 1, AIFI, [1024, 8]] # 10 - [-1, 1, Conv, [256, 1, 1]] # 11, Y5, lateral_convs.0 - [-1, 1, nn.Upsample, [None, 2, &#39;nearest&#39;]] # 12 - [6, 1, Conv, [256, 1, 1, None, 1, 1, False]] # 13 input_proj.1 - [[-2, -1], 1, Concat, [1]] # 14 - [-1, 1, CSP_PAC, [256]] # 15, fpn_blocks.0 - [-1, 1, Conv, [256, 1, 1]] # 16, Y4, lateral_convs.1 - [-1, 1, AttentionUpsample, []] # 17 - [4, 1, Conv, [256, 1, 1, None, 1, 1, False]] # 18 input_proj.0 - [[-2, -1], 1, Concat, [1]] # 19 cat backbone P4 - [-1, 1, CSP_PAC, [256]] # X3 (20), fpn_blocks.1 - [-1, 1, AttentionDownsample, []] # 21, downsample_convs.0 - [[-1, 16], 1, Concat, [1]] # 22 cat Y4 - [-1, 3, CSP_PAC, [256]] # F4 (23), pan_blocks.0 - [-1, 1, AttentionDownsample, []] # 24, downsample_convs.1 - [[-1, 11], 1, Concat, [1]] # 25 cat Y5 - [-1, 3,CSP_PAC, [256]] # F5 (26), pan_blocks.1 - [[20, 23, 26], 1, RTDETRDecoder, [nc, 256, 300, 4, 8, 3]] # Detect(P3, P4, P5)检查错误
最新发布
08-07
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