UVA 10047 The Monocycle

本文介绍了一道UVA-10047编程题的解题思路,采用广度优先搜索(BFS)算法解决独轮车移动问题。独轮车可以在平面上移动并改变方向及颜色状态,目标是在最短时间内抵达终点且颜色状态符合要求。

UVA-10047

题意:独轮车有5个颜色,每一秒独轮车可以向前移动(面朝的方向移动一格)或者原地转90度(左右都行)。初始是绿色朝下,面向北面,初始位置为S。要求用多少秒能到达T并且还是绿色朝下。
解题思路:BFS,只不过除了常规的坐标XY之外多了方向D和颜色C。vis[x][y][d][c]。操作就是向前走一格以及左右旋转。假设初始5个颜色为01234,下一个颜色就是(c+1)%5。方向预设好移动数组,{{-1,0},{0,1},{1,0},{0,-1}},d+1就是右旋转,d-1就是左旋转。

/*************************************************************************
    > File Name: UVA-10047.cpp
    > Author: Narsh
    > 
    > Created Time: 2016?07?21? ??? 14?24?46?
 ************************************************************************/

#include <iostream>
#include <algorithm>
#include <cstdio>
#include <cstring>
using namespace std;
struct node {
    int x,y,d,c,t;
} q[600000];
const int C[4][2]={{-1,0},{0,1},{1,0},{0,-1}};
int h,t,n,m,endx,endy;
int x,y,d,c;
bool vis[30][30][6][8];
char map[30][30];
int main() {
    int num=0;
    while (scanf("%d%d\n",&n,&m) && n+m) {
        memset(vis,true,sizeof(vis));
        for (int i = 1; i <= n; i++)
            for (int j = 1; j <= m+1; j++) {
                scanf("%c",&map[i][j]);
                if (map[i][j] == 'S') {
                    q[1].x=i;
                    q[1].y=j;
                    q[1].d=0;
                    q[1].c=0;
                    q[1].t=0;
                    vis[i][j][0][0]=false;
                    map[i][j] = '.';
                }
                if (map[i][j] == 'T') {
                    endx=i;
                    endy=j;
                    map[i][j]='.';
                }
            }
        h=0;t=1;
        while (h < t) {
            h++;
            x=q[h].x;y=q[h].y;d=q[h].d;c=q[h].c;
            if (x == endx && y == endy && c == 0) break;
            // go ahead  
            x=x+C[d][0];y=y+C[d][1];c=(c+1)%5;
            if (1 <= x && x <= n && 1 <= y && y <= m && vis[x][y][d][c] && map[x][y] == '.') {
                vis[x][y][d][c]=false;
                t++;
                q[t].x=x;
                q[t].y=y;
                q[t].d=d;
                q[t].c=c;
                q[t].t=q[h].t+1;
            }
            // turn right
            x=q[h].x;y=q[h].y;d=q[h].d;c=q[h].c;
            d=(d+1)%4; 
            if (1 <= x && x <= n && 1 <= y && y <= m && vis[x][y][d][c]) {
                vis[x][y][d][c]=false;
                t++;
                q[t].x=x;
                q[t].y=y;
                q[t].d=d;
                q[t].c=c;
                q[t].t=q[h].t+1;
            }
            // truen left
            x=q[h].x;y=q[h].y;d=q[h].d;c=q[h].c;
            d=((d-1)%4+4)%4; 
            if (1 <= x && x <= n && 1 <= y && y <= m && vis[x][y][d][c]) {
                vis[x][y][d][c]=false;
                t++;
                q[t].x=x;
                q[t].y=y;
                q[t].d=d;
                q[t].c=c;
                q[t].t=q[h].t+1;
            }
        }
        if (num != 0) printf("\n");
        num++;
        printf("Case #%d\n",num);
        if (q[h].x == endx && q[h].y == endy && q[h].c == 0) 
            printf("minimum time = %d sec\n",q[h].t);
        else printf("destination not reachable\n");
    }
}
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。
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