hdu 5254

本文探讨了一种优化的深度搜索算法在解决图论问题中的应用,通过引入额外的方向来避免无效节点的重复访问,提高了搜索效率。算法在输入参数m、n和s的基础上,对矩阵进行遍历和更新,最终计算并输出有效节点的数量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

简单搜索 广搜 深搜 随便搜 开始想用vis  标记是否访问过  然后发现访问过的仍需访问 并不能用vis 标记 于是就想了另外一种方法 用三个方向    


    每次去访问四个对角  只有当 邻接对角 内元素为1  且   相邻两个方格内元素至少有一个为0  才去访问这个点 这样就保证了不会重复访问无用的点




#include <iostream>
#include <algorithm>
#include <queue>
#include <cstring>
#include <cstdio>
#include <vector>
#include <string>
#include <iterator>
#include <cmath>
#include <deque>
#include <stack>
#include <cctype>
#include <iomanip>
using namespace std;

typedef long long ll;
typedef long double ld;

const int N = 510;
const int INF = 0xfffffff;
const double EPS = 1e-8;
const ll MOD = 1e9 + 7;
const ld PI = acos (-1.0);

#define INFL 0x7fffffffffffffffLL
#define met(a, b) memset(a, b, sizeof(a))
#define put(a) cout << setiosflags(ios::fixed) << setprecision(a)

int dir1[4][2] = {1, 1, 1, -1, -1, 1, -1, -1};
int dir2[4][2] = {0, 1, 0, -1, 0, 1, 0, -1};
int dir3[4][2] = {1, 0, 1, 0, -1, 0, -1, 0};

int g[N][N], m, n, sum;

void bfs ();

struct node
{
    int x, y;
};

queue <node> que;

int main ()
{
    int t, ca = 1;
    scanf ("%d", &t);
    while (t--)
    {
        node te;
        int s, x, y;
        met (g, 0);
        sum = 0;
        scanf ("%d%d%d", &m, &n, &s);
        for (int i=0; i<s; i++)
        {
            scanf ("%d%d", &x, &y);
            if (g[x][y]) continue;
            g[x][y] = 1;
            sum++;
            te.x = x, te.y = y;
            que.push(te);
        }
        bfs ();

        printf ("Case #%d:\n", ca++);
        printf ("%d\n", sum);
    }
    return 0;
}

void bfs ()
{
    node sa, q, q1, q2;

    while (que.size())
    {
        sa = que.front();
        que.pop();
        for (int i=0; i<4; i++)
        {
            q = q1 = q2 = sa;
            q.x += dir1[i][0], q.y += dir1[i][1];
            q1.x += dir2[i][0], q1.y += dir2[i][1];
            q2.x += dir3[i][0], q2.y += dir3[i][1];

            if (q.x > 0 && q.x <= m && q.y > 0 && q.y <= n && g[q.x][q.y] &&(!g[q1.x][q.y] || !g[q2.x][q2.y]))
            {
                if (!g[q1.x][q1.y]) {g[q1.x][q1.y] = 1; que.push(q1); sum++;}
                if (!g[q2.x][q2.y]) {g[q2.x][q2.y] = 1; que.push(q2); sum++;}
            }
        }
    }
}



基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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