buct1711 错位排序

本文通过深度优先搜索(DFS)算法,探讨如何找出并判断错位排序序列,并提供实现代码。代码实例展示了如何在给定数字范围内生成所有可能的排列,筛选出满足条件的错位排序序列。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目:buct1711

方法:dfs

思想:用dfs找出所有可能的排列,并判读该排列是否是错位排序序列,

若是就直接输出便可。

代码:

(1)

#include <iostream>
using namespace std;
int n,a[10],visited[10];
void dfs(int t)
{
	int i,tmp;
	if(t>n)
	{
		for(i=1;i<=n;i++)
		  if(a[i]==i)break;
  		if(i>n)
  		{  for(i=1;i<=n;i++)
			  if(i<n)cout<<a[i]<<' ';
			  else cout<<a[i]<<endl;
  		}
        return;
	}
	for(i=1;i<=n;i++)
		if(i!=t&&visited[i]==0)
		{
			a[t]=i;visited[i]=true;
			dfs(t+1);
			a[t]=0;visited[i]=false;
		}
}

int main(int argc, char *argv[])
{
	while(cin>>n)
	{
		for(int i=1;i<=n;i++)a[i]=i;
		memset(visited,0,sizeof(visited));
		dfs(1);
	}
	return 0;
}


错误代码:

#include <iostream>
using namespace std;
int n,a[10],visited[10];
void dfs(int t)
{
	int i,tmp;
	if(t>n)
	{
		for(i=1;i<=n;i++)
		  if(a[i]==i)break;
  		if(i>n)
  		{  for(i=1;i<=n;i++)
			  if(i<n)cout<<a[i]<<' ';
			  else cout<<a[i]<<endl;
  		}
        return;
	}
	for(i=t;i<=n;i++)
	{
		tmp=a[t];a[t]=a[i];a[i]=tmp;
		dfs(t+1);
		tmp=a[t];a[t]=a[i];a[i]=tmp;
	}
}

int main(int argc, char *argv[])
{
	while(cin>>n)
	{
		for(int i=1;i<=n;i++)a[i]=i;
		dfs(1);
	}
	return 0;
}

注:本代码只能输出相应的排列,但不能保证按字典顺序进行输出。


(2)

#include <iostream>
#include <algorithm>
using namespace std;
int main(int argc, char *argv[])
{
	int n,a[10];
	while(cin>>n)
	{
		int i;
		for(i=1;i<=n;i++)a[i]=i;
		do
		{
			for(i=1;i<=n;i++)
				if(a[i]==i)break;
			if(i>n)
			{
				for(i=1;i<=n;i++)
				 if(i<n)cout<<a[i]<<' ';
				 else cout<<a[i]<<endl;
			}
		}while(next_permutation(a+1,a+n+1));
	}
	return 0;
}

//注:next_permutation 是STL中的函数,主要是为一个排列求出其下一个排列。

更多用法参考http://www.cnblogs.com/mjc467621163/archive/2011/07/17/2108868.html

### 北京化工大学深度学习研究方向与课程资料 北京化工大学(Beijing University of Chemical Technology, BUCT)作为一所具有化学、材料科学和工程技术特色的高校,在人工智能及其子领域——深度学习的研究中也逐渐崭露头角。以下是与其相关的研究方向及课程资料的信息: #### 1. **研究方向** 北京化工大学在深度学习方面的研究主要集中在以下几个领域: - **化工过程优化与智能化** 利用深度学习技术对复杂的化工生产流程进行建模和优化,提升工艺效率并降低能耗[^5]。例如,通过卷积神经网络(CNNs)分析反应器中的图像数据,预测反应条件的变化趋势。 - **材料设计与发现** 结合深度学习算法加速新材料的设计与筛选过程。具体而言,基于图神经网络(Graph Neural Networks, GNNs),研究人员能够高效地模拟分子结构特性,并预测其性能表现[^4]。 - **智能制造与机器人控制** 参考卡内基梅隆大学NREC研究主任阿朗佐·凯利的工作模式,北化也在探索如何将先进的感知技术和自主决策能力融入到工业自动化系统之中[^3]。这涉及到强化学习方法应用于复杂动态环境下机械臂轨迹规划等问题。 #### 2. **课程设置及相关资源** 针对本科生和研究生开设了一系列围绕AI主题展开的教学活动,其中包括但不限于以下几门核心科目: - **《机器学习基础》** 这是一门入门级课程,重点介绍监督/无监督学习理论框架以及常见分类回归模型构建技巧等内容。学生可以通过完成项目作业深入理解概念原理的同时锻炼实践动手能力。 - **《深度学习导论》** 讲解从浅层神经网络进化至深层架构演变历程;探讨当前主流开源工具包如PyTorch TensorFlow等操作指南;并通过实例演示说明这些技术是如何被广泛采纳于视觉识别自然语言处理等领域内的实际应用场景当中去的[^1]。 - **《高级专题研讨班—深度迁移学习》** 对已经具备一定基础知识背景的同学来说,则可进一步参与更深层次的技术讨论会形式的学习环节里来。这里不仅限于是传统意义上的课堂讲授方式,更多的是鼓励学员之间互相分享研究成果或者最新进展资讯等方面的知识交流平台建设工作。 此外,为了帮助初学者更好地适应这一新兴学科的要求,学校还会定期举办各类讲座沙龙等活动,邀请校外专家前来授课指导。同时也会推荐一些优质的在线学习路径供感兴趣者参考选用[^2]。 --- ### 示例代码片段 下面给出一段简单的Python脚本用于展示如何使用PyTorch搭建一个基本的全连接神经网络来进行手写数字MNIST数据集上的训练任务: ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader import torch.nn as nn import torch.optim as optim # 定义超参数 batch_size = 64 learning_rate = 0.01 epochs = 5 # 数据预处理 transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size*2, shuffle=False) # 构造简单MLP模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(28 * 28, 512) self.relu = nn.ReLU() self.dropout = nn.Dropout(p=0.2) self.fc2 = nn.Linear(512, 10) def forward(self, x): x = x.view(-1, 28 * 28) # 展平输入图片 x = self.fc1(x) x = self.relu(x) x = self.dropout(x) output = self.fc2(x) return output device = 'cuda' if torch.cuda.is_available() else 'cpu' model = Net().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) for epoch in range(epochs): model.train() running_loss = 0.0 for data, target in train_loader: data, target = data.to(device), target.to(device) optimizer.zero_grad() outputs = model(data) loss = criterion(outputs, target) loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch {epoch+1}/{epochs}, Loss: {(running_loss / len(train_loader)):.4f}") print("Training finished.") ``` ---
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