POJ 2362 DFS+剪枝

通过DFS+剪枝算法解决由不定长度木棍构成正方形的问题。关键在于合理的剪枝条件设置,确保最长木棍不超过正方形边长且总长度可被4整除。

问题重述:

给定一堆不定长度的木棍,问他们能否构成一个正方形。

题目传送门:点击打开链接


解题思路:

DFS +剪枝


剪枝条件1 :最长的木棍不能比正方形的边长长;

剪枝条件2:木棍总长度必须被4整除

剪枝条件3:如果第3条边被确定,那就肯定可以构成正方


/**     DFS + 剪枝        **/
#include <stdio.h>
#include <stdlib.h>

int cmp(const void *elem1,const void *elem2)   //排序准备函数
{
    return *(int *)elem2 - *(int *)elem1;
}

int side;    //正方形的边长
int n;       //木棍数量
int sticks[100];   //存放木棍长短的数组
bool visited[100]; //访问标志数组

//num 已组合的正方形的边数
//len 当前组合的边的组合长度
//s   搜索起点

bool dfs(int *sticks,bool *visited,int num,int len,int s)  //深搜函数
{
    if(num==3)            //剪枝条件3 ,3条边都组合好
        return true;

    for(int i=s; i<n; i++)   //开始搜索
    {
        if(visited[i])      //如果已经访问,跳过
            continue;
        visited[i] = true;
        if(len+sticks[i]<side)  //不够长
        {
            if(dfs(sticks,visited,num,len+sticks[i],i))  //向下递归继续找
                return true;
        }

        else if(len+sticks[i]==side)    //刚好能组成一条边
        {
            if(dfs(sticks,visited,num+1,0,0));  //那就构建一条边
            return true;
        }
        visited[i] = false;   //更新访问标志
    }
    return false;
}

int main()
{
    //freopen("in.txt","r",stdin);
    int t;              //数据次数
    scanf("%d",&t);
    for(int i=0; i<t; i++)
    {
        scanf("%d",&n);
        int sum = 0;
        for(int j =0; j<n; j++)  
        {
            scanf("%d",&sticks[j]); //输入每组数据的木棍长度
            visited[j] = false;  //初始化
            sum += sticks[j];  //求木棍总长度
        }

        if(n<4||sum%4!=0)   //剪枝条件2 总长不能被4整除
        {
            printf("no\n");
            continue;
        }
        qsort(sticks,n,sizeof(int),cmp);  //降序排列

        side = sum/4;         

        if(sticks[0]>side)   //剪枝条件,1,最长的木棍比边长长
        {
            printf("no\n");
            continue;
        }

        if(dfs(sticks,visited,0,0,0))  //全部木棍构建完毕
            printf("yes\n");
        else
            printf("no\n");
    }
    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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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