杭电1010--Tempter of the Bone(DFS+奇偶剪枝)

本文详细解析了一个迷宫问题的解决方案,采用深度优先搜索(DFS)算法,讨论了剪枝策略,尤其是奇偶剪枝的应用,以提高算法效率,并通过代码实现展示了如何避免超时和错误答案。

【题目描述】
就是类似于迷宫问题,给出出发点、终点、限定时间(不能早到或者晚到)、墙壁。走过的地方不能再走,求能否在指定时间到达。
【分析】
很标准的DFS题,但是代码提交上去不是TLE就是WA了,学习了一下其他人的代码,发现自己的问题如下:

  1. 起点没有设置为1,这导致了小狗可能走回起点
  2. 剪枝不彻底,导致程序运行TLE

奇偶剪枝

设两点分别为 st(a,b)、en(c,d)
求两点间最短到达时间很简单:min=abs(a-c)+abs(b-d)
先给出奇偶剪枝的结论:最短时间min和指定时间t同奇或同偶时,才能使用t时间从st到en。
推导:
假设有迷宫如下:(借鉴了别人的图片和思路,链接
在这里插入图片描述
从s到e的黑色路径为一条最短路径,红色和蓝色路线组成的路径,为走出最短路径的路径。其中蓝色箭头是参杂着的最短路径中的操作,只有红色箭头才是走出去和拐回来的路径,如果将红色路径去掉,从s向右走,经过绿色箭头到达e,这也是一条最短路径。

因为a=2b,是个偶数,又因为a=t-m,所以当t和m的奇偶性相同时,a才能是偶数。也就是说,当t和m的奇偶性相同时,才有可能从s经过t步,到达e。

所以,当最小步数m与t同为奇数,或同为偶数时,才有可能从s经过t步,到达e。

【代码】
另外还有一点需要注意,在DFS里也应该加上时间判断,避免超时。

#include<iostream>
#include<cstring>
#include<cstdio>
#include<cmath>
using namespace std;
struct pos {
	int x, y;
}st, en;
const int maxn = 1000 + 10;
int m, n, t, vis[maxn][maxn], flag = 0;
int dir[4][2] = { {-1,0},{1,0},{0,1}, {0,-1} };
void DFS(int cur, int x, int y)
{
	if (x == en.x&&y == en.y&&cur == t) {
		flag = 1;
		return;
	}
	if (cur >= t) return;
	//下面开始递归枚举四个方向
	int temp = = t - abs(st.x - en.x) - abs(st.y - en.y);
	if (temp < 0)return;
	for (int i = 0;i < 4;i++)
	{
		int t1 = x + dir[i][0];
		int t2 = y + dir[i][1];
		if (!vis[t1][t2] && t1 >= 1 && t1 <= n && t2 >= 1 && t2 <= m)
		{
			vis[t1][t2] = 1;
			DFS(cur + 1, t1, t2);
			if (flag) return;
			vis[t1][t2] = 0;
		}
	}
}
void init()
{
	flag = 0;
	memset(vis, 0, sizeof(vis));
	char ch;
	for (int i = 1;i <= n;i++) {
		for (int j = 1;j <= m;j++)
		{
			cin >> ch;
			if (ch == 'S') {
				st.x = i;st.y = j;
				vis[i][j] = 1;
			}
			else if (ch == 'D') {
				en.x = i;en.y = j;
			}
			else if (ch == 'X')
				vis[i][j] = 1;
		}
	}
}
int main()
{
	while (~scanf("%d%d%d", &n, &m, &t) && (m || n || t))
	{
		getchar();
		init();
		int temp = t - abs(st.x - en.x) - abs(st.y - en.y);
		if (temp < 0 || temp & 1) {
			cout << "NO\n";
			continue;
		}
		DFS(0, st.x, st.y);
		cout<<(flag?"YES":"NO")<<endl;
	}
	return 0;
}
内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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