2021-dfsTRN-G

网格路径搜索算法
本文介绍了一个网格路径搜索问题,从起点到终点,在限定步数内寻找可行路径的方法。通过判断坐标差的奇偶性进行剪枝优化,使用深度优先搜索(DFS)实现路径查找,并附带完整的C++代码实现。

https://vjudge.net/contest/425321#problem/G

题意概括

在一个网格中给定出发点和终点,给定用的步数,试问能否恰好在该步数内走到终点。

细节

剪枝。好坑。(其实还是打的题目太少)
最需要认识到的问题是:
无论走什么路线,到达终点用的步数的奇偶性与(横坐标偏量+纵坐标偏量)相同。
这样就可以排除掉一些可能性了。。。

代码

#include <stdio.h>
#include <string.h>
#include <iostream>
#include <algorithm>
#include <math.h>
using namespace std;
int n,m,t,flag=0,startx,starty,endx,endy;
char s[10][10];
int vis[10][10],dir[4][2]={{1,0},{-1,0},{0,1},{0,-1}};

int check(int x,int y)
{
    if(x>=1&&x<=n&&y>=1&&y<=m&&s[x][y]!='X'&&!vis[x][y]) return 1;
    return 0;
}

void dfs(int x,int y,int step)
{
    vis[x][y]=1;
    if(step==t&&s[x][y]=='D')
    {
        flag=1;
        return;
    }
    if(step>t) return;
    int i;
    for(i=0;i<4;i++)
    {
        int nx=x+dir[i][0],ny=y+dir[i][1];
        if(check(nx,ny))
        {
            dfs(nx,ny,step+1);
            if(flag) return;
            vis[nx][ny]=0;
        }
    }
}
int main()
{
    while(~scanf("%d%d%d",&n,&m,&t))
    {
        if(!n&&!m&&!t) break;
        flag=0;
        int i,j;
        memset(vis,0,sizeof(vis));
        for(i=1;i<=n;i++)
        {
            for(j=1;j<=m;j++)
            {
                cin>>s[i][j];
                if(s[i][j]=='S')
                {
                    startx=i,starty=j;
                }
                if(s[i][j]=='D')
                {
                    endx=i,endy=j;
                }
            }
        }
        int dis=abs(endx-startx)+abs(endy-starty);
        if(dis>t||(dis-t)%2!=0)///剪枝
        {
            printf("NO\n");
            continue;
        }
        dfs(startx,starty,0);
        if(flag==1) printf("YES\n");
        else
        {
            printf("NO\n");
        }
    }

    return 0;
}

【故障诊断】【pytorch】基于CNN-LSTM故障分类的轴承故障诊断研究[西储大学数据](Python代码实现)内容概要:本文介绍了基于CNN-LSTM神经网络模型的轴承故障分类方法,利用PyTorch框架实现,采用西储大学(Case Western Reserve University)公开的轴承故障数据集进行实验验证。该方法结合卷积神经网络(CNN)强大的特征提取能力和长短期记忆网络(LSTM)对时序数据的建模优势,实现对轴承不同故障类型和严重程度的高精度分类。文中详细阐述了数据预处理、模型构建、训练流程及结果分析过程,并提供了完整的Python代码实现,属于典型的工业设备故障诊断领域深度学习应用研究。; 适合人群:具备Python编程基础和深度学习基础知识的高校学生、科研人员及工业界从事设备状态监测与故障诊断的工程师,尤其适合正在开展相关课题研究或希望复现EI级别论文成果的研究者。; 使用场景及目标:① 学习如何使用PyTorch搭建CNN-LSTM混合模型进行时间序列分类;② 掌握轴承振动信号的预处理与特征学习方法;③ 复现并改进基于公开数据集的故障诊断模型,用于学术论文撰写或实际工业场景验证; 阅读建议:建议读者结合提供的代码逐行理解模型实现细节,重点关注数据加载、滑动窗口处理、网络结构设计及训练策略部分,鼓励在原有基础上尝试不同的网络结构或优化算法以提升分类性能。
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