八数码

法一:广搜 + stl 实现

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

typedef int State[9];
const int MAXSTATE = 1000000;
State st[MAXSTATE], goal ; 
int dist[MAXSTATE];

set<int>vis;
void init_lookup_table(){ vis.clear();}
int try_to_insert(int s){
	int v=0;
	for(int i = 0 ;i < 9 ; i ++ )v = v*10 + st[s][i];
	if(vis.count(v))return 0;
	vis.insert(v);
	return 1;
}

const int dx[] = {-1,1,0,0};
const int dy[] = {0,0,-1,1};
int bfs()
{
	init_lookup_table();
	int front = 1 , rear = 2 ;
	while(front<rear)
	{
		State& s = st[front];
		if(memcmp(goal,s,sizeof(s))==0)return front ;
		int z ;
		for(z = 0 ; z < 9 ; z++)if(!s[z])break;
		int x = z / 3 ,y = z%3;
		for(int i = 0 ; i< 4 ;i++)
		{
			int newx = x + dx[i];
			int newy = y + dy[i];
			int newz = newx*3+newy;
			if(newx<3 && newy<3 && newx>=0 && newy>=0)
			{
				State& t = st[rear];
				memcpy(&t,&s,sizeof(s));
				t[z] = s[newz] ;
    			t[newz] = s[z];
	    		dist[rear] = dist[front]+1;
		    	if(try_to_insert(rear))rear++;
			}
		}
		front++;
	}
	return 0;
}
int main()
{
	for(int i = 0 ; i<9 ; i++ )cin>>st[1][i];
	for(int i = 0 ; i<9 ; i++ )cin>>goal[i];
	int ans = bfs();
	if(ans>0)cout<<dist[ans]<<endl;
	else cout<<"-1"<<endl;
	return 0;
}


法二:bfs + 编码解码(康托展开)

int vis[36288],fact[9] ;

void init_lookup_table()
{
    fact[0]=1;
    for(int i = 0 ; i < 9 ; i++)fact[i] = fact[i-1]*i;
}

int try_to_insert(int s)
{
    int code = 0;
    for(int i = 0 ; i < 9 ; i++)
    {
        int cnt = 0;
        for(int j = 0 ; j < 9 ; j++)if(st[s][j]<st[s][i])cnt++;
        code+=fact[8-i]*cnt;
    }
    if(vis[code])return 0;
    return vis[code] = 1;
}


法三:bfs + 哈希

法四:双向bfs

法五:A*

法六:IDA*



基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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