hdu 1010 Tempter of the Bone

本文探讨了一种在迷宫中寻找路径的算法,通过引入奇偶剪枝策略,显著提高了程序效率。重点介绍了如何利用地图的奇偶特性进行路径判断,并在代码实现中成功应用,使得在限定时间内找到正确路径成为可能。

题意就是询问小狗能不能走出迷宫,这个题目一看就知道一道dfs的题目了,一般的搜索算法都可以剪枝,可能一个小小的剪枝会提高你程序的效率很多倍


值得一提的是这个题有一个奇偶剪枝,我一开始也超时了,加进去马上就ac了


  4。剪枝方法:奇偶剪枝

                             把map看作

                             0 1 0 1 0 1
                             1 0 1 0 1 0
                              0 1 0 1 0 1
                             1 0 1 0 1 0
                             0 1 0 1 0 1

                       从 0->1 需要奇数步

                       从 0->0 需要偶数步
                       那么设所在位置 (x,y) 与 目标位置 (dx,dy)

                       如果abs(x-y)+abs(dx-dy)为偶数,则说明 abs(x-y) 和 abs(dx-dy)的奇偶性相同,需要走偶数步

                       如果abs(x-y)+abs(dx-dy)为奇数,那么说明 abs(x-y) 和 abs(dx-dy)的奇偶性不同,需要走奇数步

                       理解为 abs(si-sj)+abs(di-dj) 的奇偶性就确定了所需要的步数的奇偶性!!

                       而 (ti-setp)表示剩下还需要走的步数,由于题目要求要在 ti时 恰好到达,那么  (ti-step) 与 abs(x-y)+abs(dx-dy) 的奇偶性必须相同

                       因此 temp=ti-step-abs(dx-x)-abs(dy-y) 必然为偶数!



#include <iostream>
#include <stdio.h>
#include <cstring>
#include <cmath>
using namespace std;

char map[10][10];

bool ask[10][10];
int startx,starty,endx,endy;
int n,m,t;
int fangxiang[4][2]=
{
{0,1},
{1,0},
{0,-1},
{-1,0}    
};

bool ok(int x,int y)
{
    if (x<n && x>=0 && y<=m && y>=0 && ask[x][y]==0 && (map[x][y]=='.' || map[x][y]=='D' || map[x][y]=='S'))
        return true;
    return false;
}
bool dfs(int x,int y,int tmpt)
{
    int temp;
    temp=t-tmpt-abs(endx-x)-abs(endy-y);//剪枝
    if (temp<0||temp%2==1) return false;
    
    ask[x][y]=1;
    if (map[x][y]=='D' && tmpt==t)
        return true;
    if (tmpt>t)
        return false;
    int xx,yy;
    
    for (int i=0; i<4; ++i)
    {
        xx=x+fangxiang[i][0];
        yy=y+fangxiang[i][1];
        
        if (ok(xx,yy))
        {
            if (dfs(xx,yy,tmpt+1))
                return true;
        }
            
    }
    ask[x][y]=0;
    return false;    
}
int main()
{
    while (cin>>n>>m>>t && (n||m||t))
    {
        
        for (int i=0; i<n; ++i)
            for (int j=0; j<m; ++j)
            {
                cin>>map[i][j];
                if (map[i][j]=='S')
                {
                    startx=i;
                    starty=j;
                }
                if (map[i][j]=='D')
                {
                    endx=i;
                    endy=j;
                }                        
            }
            
        if (fabs((double)(endx-startx))+fabs((double)(endy-starty))>t)//剪枝
        {
            cout<<"NO\n";
            continue;
        }    
        memset(ask,0,sizeof(ask));        
        if (dfs(startx,starty,0))
            cout<<"YES\n";
        else
            cout<<"NO\n";
            
    
    }
}




内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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