解题报告_18.5.26_POJ_2031_0

本文介绍了一种求解三维空间中球形障碍物间最短路径的算法实现。通过定义球体间的距离计算公式,并结合Prim最小生成树算法,解决了在存在球形障碍的情况下寻找节点间最短路径的问题。文章详细展示了如何进行距离计算及算法的具体步骤。

转载自:https://blog.youkuaiyun.com/lyy289065406/article/details/6648583

#include<iostream>  
#include<cmath>  
#include<iomanip>  
using namespace std;  
  
const double inf=1000.0;  
const double eps=1e-10;  
  
typedef class  
{  
    public:  
        double x,y,z;  
        double r;  
}point;  
  
/*Discuss Precision*/  
  
int EPS(double k)  
{  
    if(fabs(k)<eps)  
        return 0;  
    return k>0?1:-1;  
}  
  
/*AB之间的距离(权值)*/  
  
double dist(point A,point B)  
{  
    return sqrt((A.x-B.x)*(A.x-B.x)+(A.y-B.y)*(A.y-B.y)+(A.z-B.z)*(A.z-B.z))-A.r-B.r;  
}                        //AB距离是以球面为基准,而不是球心,因此要减去A球和B球的半径  
  
int main(int i,int j)  
{  
    int n;  
    while(cin>>n)  
    {  
        if(n<=0)  
            break;  
  
        /*Initial*/  
  
        point* node=new point[n+1];  
  
        double w[101][101];  
        for(i=1;i<=n;i++)  
            for(j=1;j<=n;j++)  
                w[i][j]=inf;  
  
        /*Input*/  
  
        for(i=1;i<=n;i++)  
            cin>>node[i].x>>node[i].y>>node[i].z>>node[i].r;  
  
        for(i=1;i<=n-1;i++)  
            for(j=i+1;j<=n;j++)  
            {  
                double temp=dist(node[i],node[j]);  
                if(EPS(temp)<=0)  
                    w[i][j]=w[j][i]=0;  //两个球接触(相交),则距离(权值)为0  
                else  
                    w[i][j]=w[j][i]=temp;  
            }  
  
        /*Prim Algorithm*/  
  
        bool vist[101]={false};  
        int s=1;  
        vist[s]=true;  
        int fi;  
        double sum_w=0.0;  
        for(int count=1;count<n;count++)  
        {  
            double min=inf;  
  
            for(i=2;i<=n;i++)  
                if(!vist[i])  
                    if(min>w[s][i])  
                    {  
                        min=w[s][i];  
                        fi=i;  
                    }  
  
            sum_w+=w[s][fi];  
            vist[fi]=true;  
  
            for(i=2;i<=n;i++)   //新源点s'继承最新合并进来的fi的性质  
                if(!vist[i])    //以fi到其他点的更短路 取代旧源点s到其他点的权值  
                    if(w[s][i]>w[fi][i])  
                        w[s][i]=w[fi][i];  
        }  
  
        cout<<fixed<<setprecision(3)<<sum_w<<endl;  
  
        /*Relax*/  
  
        delete node;  
    }  
    return 0;  
}  

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。
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