[UVA10888]Warehouse

本文探讨了一道有趣的推箱子游戏题目,通过将其抽象为二分图匹配问题,并使用状压动态规划解决。介绍了如何处理多个箱子之间的路径冲突,给出了完整的代码实现。

一道很有意思的题目,题面就是一个推箱子的游戏。

给定一张网格图(行数,列数小于等于40),图上有可以走的格子和不能走的格子以及要推的箱子和目标格子。

要求将n(n15)个箱子移到n个目标格子的最小步数(一定有解)。

显然是一个二分图匹配问题。。由于数据规模比较小,用状压dp也无妨(最近在练dp于是就写了状压dp)

现在有一个很显然的问题就是,如果在箱子A到目标格B的路上有一个箱子C如何处理

其实这种情况可以视为将C移到B,再将A移到C,与将A移到B等效

这个问题解决了,就基本上是个模板题了
(恬不知耻的贴上巨丑无比的代码)

#include<cstdio>
#include<cstring>
const int dx[]={1,0,-1,0},dy[]={0,1,0,-1};
struct box{int x,y;}a[20],c[20],q[1605];
bool b[45][45],v[45][45];char s[45];
int T,n,m,N,M,cnt,X,Y,x,y,xx,yy,d[45][45][45][45],f[40000],g[40000],h,t;
inline int min(int a,int b){a-=b;return b+(a&(a>>31));}
inline bool check(int x,int y)
{return (x>0&&x<=N&&y>0&&y<=M&&!v[x][y]&&!b[x][y]);}
inline void bfs()
{
    b[X][Y]=true;d[X][Y][X][Y]=0;
    h=0;q[t=1]=(box){X,Y};
    while(h<t)
      {
        x=q[++h].x;y=q[h].y;
        for(int i=0;i<4;++i)
          if(check(xx=x+dx[i],yy=y+dy[i]))
            {
              b[xx][yy]=true;
              d[X][Y][xx][yy]=d[X][Y][x][y]+1;
              q[++t]=(box){xx,yy};
            }
      }
}
int main()
{
    for(int i=1;i<=33000;++i)g[i]=g[i^(i&-i)]+1;
    scanf("%d",&T);
    while(T--)
      {
        scanf("%d%d",&N,&M);
        memset(d,63,sizeof d);
        memset(f,63,sizeof f);
        cnt=n=0;
        for(int i=1;i<=N;++i)
          {
            scanf("%s",s+1);
            for(int j=1;j<=M;++j)
              {
                if(s[j]=='#')v[i][j]=true;
                else v[i][j]=false;
                if(s[j]=='B')a[++n]=(box){i,j};
                else if(s[j]=='X')c[++cnt]=(box){i,j};
              }
          }
        for(int i=1;i<=n;++i)
          {
            memset(b,false,sizeof b);
            X=a[i].x;Y=a[i].y;bfs();
          }
        m=(1<<n)-1;f[0]=0;
        for(int i=1;i<=m;++i)
          for(int j=1;j<=n;++j)
            if(i&(1<<j-1))
              f[i]=min(f[i],f[i^(1<<j-1)]+d[a[j].x][a[j].y][c[g[i]].x][c[g[i]].y]);
        printf("%d\n",f[m]);
      }
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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