NYOJ 58 最小步数

迷宫最短路径算法

 最小步数

题目来源:点击打开链接

题目信息:这道题就是一个简单的迷宫搜索,可以用队列作简单模拟。

源代码:

#include<stdio.h>
#include<string.h>
#include<queue>
using namespace std;

struct num{
    int x,y;    //坐标
    int step;   //步数
};
queue<num>Q;    //定义一个结构体类型的队列

int map[9][9]=  //模拟迷宫地图
{
     1,1,1,1,1,1,1,1,1,
	 1,0,0,1,0,0,1,0,1,
	 1,0,0,1,1,0,0,0,1,
	 1,0,1,0,1,1,0,1,1,
	 1,0,0,0,0,1,0,0,1,
	 1,1,0,1,0,1,0,0,1,
	 1,1,0,1,0,1,0,0,1,
	 1,1,0,1,0,0,0,0,1,
	 1,1,1,1,1,1,1,1,1,
};

int fx[4][2]={{-1,0},{1,0},{0,-1},{0,1}};   //方向
int visit[9][9];    //标记足迹

int mg(int x1,int y1,int x2,int y2) //计算最小步数
{
    num e={x1,y1,0};    //将起点位置付给e,步数为0
    Q.push(e);
    visit[x1][y1]=1;    //标记此处走过
    while(!Q.empty())
    {
        e=Q.front();    //将队首付给e
        if(e.x==x2&&e.y==y2)    //判断是否到达了目的地
            break;
        Q.pop();
        int i,s,t;
        for(i=0;i<4;i++)    //向其他方向查找下一步
        {
            s=e.x+fx[i][0];
            t=e.y+fx[i][1];
            if(s>=0&&s<=8&&t>=0&&t<=8&&!visit[s][t]&&map[s][t]==0)  //判断边界
            {
                num e1={s,t,e.step+1};  //步数+1
                Q.push(e1);     //将步数+1的元素入队
                visit[s][t]=1;  //标记走过的位置
            }
        }
    }
    while(!Q.empty())   //清空队列
        Q.pop();
    return e.step;  //返回最小步数
}

int main()
{
    int n;
    scanf("%d",&n);
    while(n--)
    {
        int k;
        int x1,y1,x2,y2;
        scanf("%d%d%d%d",&x1,&y1,&x2,&y2);
        memset(visit,0,sizeof(visit));	//清除标记
		k=mg(x1,y1,x2,y2);
		printf("%d\n",k);
    }
    return 0;
}


基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 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