【状压+搜索顺序剪枝+可行性剪枝】POJ-2676 Sudoku

本文介绍了一种使用深度优先搜索(DFS)解决数独问题的方法。通过位运算记录每行、每列和宫格的可用数字,并优化搜索顺序进行剪枝,实现高效求解。代码示例展示了如何填充九宫格并输出解决方案。

Sudoku

题目大意

九宫格问题,又称数独问题。把一个9行9列的网格,再细分为9个3*3的子网格,要求每行、每列、每个子网格内都只能填1到9中的一个数字,每行、每列、每个子网格内都不允许出现相同的数字。
  给出一个填写了部分格子的九宫格,要求填完九宫格并输出,如果有多种结果,则只需输出其中一种。

解题思路

(1)用DFS搜索每个空格子。
  (2)用位运算记录格子状态。每行、每列、每个九宫格,分别用一个9位的二进制数保存哪些数字还可以填。对于每个位置,把它在的行,列,九宫格对应的数取 & 运算就可以得到剩余哪些数可以填。并用lowbit(x)取出能填的数。
  (3)优化搜索顺序剪枝。从最容易确定数字的行(或列)开始填数,也就是0最少的行(或列);在后续每个状态下,也选择0最少的行(或列)填数。
  4)可行性剪枝。每格填的数只能是对应行、列和宫中没出现过的。

参考代码

const int N = 9;
const LL mod = 1e9 + 7;
#define ls rt << 1
#define rs rt << 1 | 1
#define lson l, mid, rt << 1
#define rson mid + 1, r, rt << 1 | 1
inline int readint() {int x; scanf("%d", &x); return x;}

int g[N][N];
int c[N], r[N], grid[N];  //1代表可以填数,0代表不能填
int num[1 << N];  //记录每个数的1的个数,方便找1的个数最少的状态
int pos[1 << N];  //记录几个(只有1个1的数)的1的位置
bool ok;

int id(int x, int y) {return (x / 3 * 3 + y / 3);}  //转换为点(x,y)所在子宫格的序号
int lowbit(int x) {return x & (-x);}

void table() {
    for(int i = 0; i < (1 << N); ++i) {
        for(int j = i; j; j -= lowbit(j)) {
            num[i]++;
        }
    }
    for(int i = 0; i < N; ++i) {
        pos[1 << i] = i;
    }
}

void init() {
    for(int i = 0; i < N; ++i) {
        c[i] = r[i] = grid[i] = (1 << N) - 1;
    }
    ok = false;
}

int get(int x, int y) {
    return c[y] & r[x] & grid[id(x, y)];
}
void dfs(int cnt) {
    if (ok) return;
    if (cnt == 0) {
        ok = true;
        for(int i = 0; i < N; ++i) {
            for(int j = 0; j < N; ++j) {
                printf("%d", g[i][j]);
            }
            printf("\n");
        }
        return;
    }
    int x, y;  //记录能填的数最少的格子位置
    int k, mik;  //记录状态,1所在的位置代表能填第几个数,从右边数起
    int mi = inf;
    for(int i = 0; i < N; ++i) {
        for(int j = 0; j < N; ++j) {
            if (g[i][j] == 0) {  //原来的格子是0,说明可以填数
                k = get(i, j);  //当前的状态
                int numk = num[k];  //获得状态对应的能填的个数
                if (numk < mi) {  //更新最少的值
                    mi = numk;
                    mik = k;
                    x = i, y = j;
                }
            }
        }
    }
    //最少的值的状态,能填的一个个填上
    for(k = mik; k; k -= lowbit(k)) {
        int now = lowbit(k);  //获得当前的一个数对应的状态
        int s = pos[now] + 1;  //得到当前要填的数
        g[x][y] = s;
        //更新对应行、列、格子的状态
        r[x] -= now;
        c[y] -= now;
        grid[id(x, y)] -= now;
        dfs(cnt - 1);
        if (ok) return;
        g[x][y] = 0;  //还原
        r[x] += now;
        c[y] += now;
        grid[id(x, y)] += now;
    }
}
int main() {
#ifdef LOCAL
    freopen("input.txt", "r", stdin);
//   freopen("output.txt", "w", stdout);
#endif
    table();
    int ca = readint();
    char s[N + 1];
    while (ca--) {
        init();
        int cnt = N * N;  //记录能填的数的数量
        for(int i = 0; i < N; ++i) {
            scanf("%s", s);
            for(int j = 0; j < N; ++j) {
                g[i][j] = s[j] - '0';
                if (g[i][j]) {
                    int now = 1 << (g[i][j] - 1);
                    r[i] -= now;
                    c[j] -= now;
                    grid[id(i, j)] -= now;
                    cnt--;
                }
            }
        }
        dfs(cnt);
    }
    return 0;
}
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 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