UVa 10422 Knights in FEN

题目:[url]http://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&page=show_problem&problem=1363[/url]

#include<cstdio>
#include<cstring>
#include<queue>
#include<set>
using namespace std;

struct State
{
short step,x,y;
char map[5][5];
};
struct cmp
{
bool operator () (State a,State b) const
{
return memcmp(a.map,b.map,25)<0;
}
};

char final[5][5]={'1','1','1','1','1','0','1','1','1','1','0','0',' ','1','1','0','0','0','0','1','0','0','0','0','0'};
set<State,cmp> vis;

int try_to_insert(State s)
{
if(vis.count(s)) return 0;
vis.insert(s);
return 1;
}
void solve(State &head)
{
if(memcmp(head.map,final,sizeof(final))==0)
{
printf("Solvable in 0 move(s).\n");
return;
}
queue<State> q;
q.push(head);
while(!q.empty())
{
int i;
short dir[8][2]={-1,-2,1,-2,-2,-1,2,-1,-1,2,1,2,-2,1,2,1};
State cur;
cur=q.front();
q.pop();
if(cur.step>=11)
{
printf("Unsolvable in less than 11 move(s).\n");
return;
}
if(memcmp(cur.map,final,sizeof(final))==0)
{
printf("Solvable in %d move(s).\n",cur.step);
return;
}
for(i=0;i<8;i++)
{
State next=cur;
next.x=cur.x+dir[i][0];
next.y=cur.y+dir[i][1];
if(next.x<0||next.x>4||next.y<0||next.y>5) continue;
char t=next.map[next.x][next.y];
next.map[next.x][next.y]=next.map[cur.x][cur.y];
next.map[cur.x][cur.y]=t;
next.step++;
if(try_to_insert(next))
q.push(next);
}
}
}
int main()
{
//freopen("in.txt","r",stdin);
int i,j,N;
State head;
scanf("%d",&N);
getchar();
while(N--)
{
for(i=0;i<5;i++)
{
for(j=0;j<5;j++)
{
head.map[i][j]=getchar();
if(head.map[i][j]==' ')
{
head.x=i;
head.y=j;
}
}
getchar();
}
head.step=0;
vis.clear();
solve(head);
}
return 0;
}
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