sicily 1135. 飞越原野

1135. 飞越原野

Constraints

Time Limit: 10 secs, Memory Limit: 32 MB

Description

勇敢的德鲁伊法里奥出色的完成了任务之后,正在迅速的向自己的基地撤退。但由于后面有着一大群追兵,所以法里奥要尽快地返回基地,否则就会被敌人捉住。

终于,法里奥来到了最后的一站:泰拉希尔原野,穿过这里就可以回到基地了。然而,敌人依然紧追不舍。不过,泰拉希尔的地理条件对法里奥十分有利,众多的湖泊随处分布。敌人需要绕道而行,但法里奥拥有变成鹰的特殊能力,使得他能轻轻松松的飞越湖面。当然,为了保证安全起见,法里奥还是决定找一条能最快回到基地的路。

假设泰拉希尔原野是一个m*n的矩阵,它有两种地形,P表示平地,L表示湖泊,法里奥只能停留在平地上。他目前的位置在左上角(1,1)处,而目的地为右下角的(m,n)。法里奥可以向前后左右四个方向移动或者飞行,每移动一格需要1单位时间。而飞行的时间主要花费在变形上,飞行本身时间消耗很短,所以无论一次飞行多远的距离,都只需要1单位时间。飞行的途中不能变向,并且一次飞行最终必须要降落在平地上。当然,由于受到能量的限制,法里奥不能无限制的飞行,他总共最多可以飞行的距离为D。在知道了以上的信息之后,请你帮助法里奥计算一下,他最快到达基地所需要的时间。

Input

第一行是3个正整数,m(1≤m≤100),n(1≤n≤100),D(1≤D≤100)。表示原野是m*n的矩阵,法里奥最多只能飞行距离为D。

接下来的m行每行有n个字符,相互之间没有空格。P表示当前位置是平地,L则表示湖泊。假定(1,1)和(m,n)一定是平地。

Output

一个整数,表示法里奥到达基地需要的最短时间。如果无法到达基地,则输出impossible。 

Sample Input

4 4 2PLLPPPLPPPPPPLLP

Sample Output

5

题目分析

题目大意是求从(1,1)到(m,n)的计价,可以每次走一格,
也可以跳着走,但是要求跳着走的步数加起来不超过D
同时每次落脚点都必须是平地
简单的广搜,
走一格相比跳一格,计价相同,但是省油,所以我默认走一格而不是跳一格
为了代码简洁,注意我对油量的设置
往某个方向移动时,如果只是移动一格,则油量不变,
如果是第二次移动,则初始为剩余油量减一,从第二次开始的每次移动都递减油量(保证>=0)
做去重标记,只需标记在某个位置所剩油量即可,所以三位数组就足够了


#include <iostream>
#include <cstdio>
#include <memory.h>
#include <queue>

struct State {
  int row, col;
  int oil;
  int cost;
  State(int r, int c, int o, int _cost) {
    row = r; col = c; oil = o;
    cost = _cost;
  }
};

int main()
{
  int dir[4][2] = {1,0,-1,0,0,1,0,-1};
  int ROW, COL, OIL;
  while (EOF != scanf("%d%d%d", &ROW, &COL, &OIL)) {
    char plain[1+ROW][1+COL];
    std::string str;
    for (int i = 1; i <= ROW; ++i) {
      std::cin >> str;
      for (int j = 1; j <= COL; ++j)
        plain[i][j] = str[j-1];
    }

    std::queue<State> q;
    q.push(State(1,1,OIL,0));
    bool visited[ROW+1][COL+1][OIL+1];
    memset(visited, 0, sizeof(visited));
    visited[1][1][OIL] = true;
    bool doit = false;
    int ans = 0;
    int nextr, nextc, nextoil, nextcost;
    while (!doit && !q.empty()) {
      State now = q.front();
//std::cout << now.row << " " << now.col << " " << now.oil << " " << now.cost << std::endl;
      q.pop();
      for (int i = 0; i < 4 && !doit; ++i) {
        bool walk = true;
        nextr = now.row,
        nextc = now.col;
        while (true) {
          nextr += dir[i][0];
          nextc += dir[i][1];
          if (walk) {
          // the first time to move
            nextoil = now.oil;
            walk = false;
          } else {
            if (nextoil == now.oil)
              nextoil--;
            nextoil -= 1;
          }
          if (nextoil < 0)
            break;
          if (nextr < 1 || nextr > ROW || nextc < 1 || nextc > COL)
            break;
          if (nextr == ROW && nextc == COL) {
            doit = true;
            ans = now.cost+1;
            break;
          }
          if (plain[nextr][nextc] == 'L')
            continue;
          if (visited[nextr][nextc][nextoil])
            continue;
          visited[nextr][nextc][nextoil] = true;
          q.push(State(nextr, nextc, nextoil, now.cost+1));
        }
      }
    }

    if (doit)
      printf("%d\n", ans);
    else
      printf("impossible\n");
  }
}



### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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