poj - 3026 bfs预处理+最小生成树kruskal

本文介绍了一个迷宫问题的解决方法,通过使用广度优先搜索(BFS)来寻找迷宫中所有字母节点间的最短路径,并利用最小生成树算法计算连接这些节点所需的最短总路径长度。

题意:在一个y行 x列的迷宫中,有可行走的通路空格’ ‘,不可行走的墙’#’,还有两种英文字母A和S,现在从S出发,要求用最短的路径L连接所有字母,输出这条路径L的总长度。

从哪个地方出发都是一样的,所以A S一样对待

对每一个A 或S跑一边bfs得到与其他的A或 S 的最短距离 并 记录

最后跑一次最小生成树就好了

输入有点烦。。。多次试验后得到正确输入。。。。。。

gets()

链接:poj 3026

#include <iostream>
#include <cstring>
#include <string>
#include <cstdio>
#include <algorithm>
#include <cmath>
#include <cstdlib>
#include <limits>
#include <vector>
#include <sstream>
#include <queue>
#define ll long long

using namespace std;

const int maxn = 2500 + 10;
const int maxm = 1001000;
const int inf = 0x3f3f3f3f;

int fa[maxn];
int rnk[maxn];

int n, m;

struct node {
    int a, b;
    int c;
    friend bool operator < (node x, node y) {
        return x.c < y.c;
    }
}q[maxm];

void init(int n) {
    for(int i = 0; i <= n; i++) {
        fa[i] = i;
        rnk[i] = 0;
    }
}

int getf(int x) {
    if(x != fa[x]) {
        fa[x] = getf(fa[x]);
    }
    return fa[x];
}

void unions(int x, int y) {
    x = getf(x);
    y = getf(y);
    if(x == y) return;
    if(rnk[x] < rnk[y]) {
        fa[x] = y;
    }
    else {
        fa[y] = x;
        if(rnk[x] == rnk[y]) rnk[x]++;
    }
}

bool same(int x, int y) {
    return getf(x) == getf(y);
}

int kruskal(int n, int m) {
    init(n);
    sort(q + 1, q + 1 + m);
    int ans = 0;
    int nedge = 0;
    for(int i = 1; i <= m && nedge != n - 1; i++) {
        if(getf(q[i].a) != getf(q[i].b)) {
            unions(q[i].a, q[i].b);
            ans += q[i].c;
            nedge++;
        }
    }
    //if(nedge < n - 1) ans = -1;
    return ans;
}

char mp[105][105];
int num[105][105];

typedef pair<int, int > P;
int dx[4] = {1, -1, 0, 0}, dy[4] = {0, 0, 1, -1};
int d[105][105];
int d1[2500][2500];

void bfs(int sx, int sy) {
    queue<P> que;
    memset(d, inf, sizeof(d));
    que.push(P(sx, sy));
    d[sx][sy] = 0;
    while(!que.empty()) {
        P p = que.front();
        que.pop();
        for(int i = 0; i < 4; i++) {
            int nx = p.first + dx[i], ny = p.second + dy[i];
            if(nx >= 1 && nx <= n && ny >= 0 && ny < m && mp[nx][ny] != '#' && d[nx][ny] == inf) {
                que.push(P(nx, ny));
                d[nx][ny] = d[p.first][p.second] + 1;
                if(mp[nx][ny] == 'A' || mp[nx][ny] == 'S') {
                    d1[num[sx][sy]][num[nx][ny]] = d[nx][ny];
                }
            }
        }
    }
}

int main()
{
    int T, kcase = 0;
    cin >> T;
    while(T--) {
        cin >> m >> n;
        int k = 0;
        char str[111];
        gets(str);
        memset(num, 0, sizeof(num));
        for(int i = 1; i <= n; i++) {
            gets(mp[i]);
            for(int j = 0; j < m; j++) {
                if(mp[i][j] == 'A' || mp[i][j] == 'S') {
                    num[i][j] = ++k;
                }
            }
        }
        memset(d1, inf, sizeof(d1));
        for(int i = 1; i <= n; i++) {
            for(int j = 0; j < m; j++) {
                if(num[i][j]) {
                    bfs(i, j);
                }
            }
        }
        int res = 0;
        for(int i = 1; i <= k; i++) {
            for(int j = i + 1; j <= k; j++) {
                q[++res].a = i;
                q[res].b = j;
                q[res].c = d1[i][j];
            }
        }
        int ans = kruskal(k, res);
        printf("%d\n", ans);
    }
    return 0;
}

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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