poj 1321 棋盘问题 DFS+回溯 回溯学习

本文介绍了一种使用回溯算法解决特定棋盘问题的方法。给定一个不规则形状的棋盘,目标是摆放一定数量的棋子,使得任意两枚棋子不在同一行或同一列。通过深度优先搜索(DFS)结合回溯技术来实现这一目标。

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

最近刚刚学习回溯算法,标记一下,体会回溯的内涵

http://poj.org/problem?id=1321

棋盘问题
Time Limit: 1000MS Memory Limit: 10000K

Description

在一个给定形状的棋盘(形状可能是不规则的)上面摆放棋子,棋子没有区别。要求摆放时任意的两个棋子不能放在棋盘中的同一行或者同一列,请编程求解对于给定形状和大小的棋盘,摆放k个棋子的所有可行的摆放方案C。

Input

输入含有多组测试数据。
每组数据的第一行是两个正整数,n k,用一个空格隔开,表示了将在一个n*n的矩阵内描述棋盘,以及摆放棋子的数目。 n <= 8 , k <= n
当为-1 -1时表示输入结束。
随后的n行描述了棋盘的形状:每行有n个字符,其中 # 表示棋盘区域, . 表示空白区域(数据保证不出现多余的空白行或者空白列)。

Output

对于每一组数据,给出一行输出,输出摆放的方案数目C (数据保证C<2^31)。

Sample Input

2 1
#.
.#
4 4
...#
..#.
.#..
#...
-1 -1

Sample Output

2
1

/* Author : yan * Question : POJ 1321 棋盘问题 * Data && Time : Monday, January 17 2011 01:20 PM * Compiler : gcc (Ubuntu 4.4.3-4ubuntu5) 4.4.3 */ //DFS+回溯 练习 #include<stdio.h> #define true 1 #define false 0 #define bool _Bool #define MAX 9 bool col_flag[MAX]; bool row_flag[MAX]; char map[MAX][MAX]; int size,k; int sum,ans; ///参数sum 表示棋子个数,当sum==k时,停止 ///参数col 表示位于棋盘中的列位置,当col==size时停止 int DFS(int sum,int col) { if(sum>=k) { ans++; return; } if(col>size) return; int i; for(i=0;i<size;i++)//代表行号 { if(map[i][col]=='#' && !row_flag[i] && !col_flag[col])//由于任意两个棋子不能在同一行或同一列 { row_flag[i]=1,col_flag[col]=1;//标记该列该行已经有棋子 DFS(sum+1,col+1);//处理棋子个数sum+1,处理下一列 row_flag[i]=0,col_flag[col]=0;//回溯,重新将标记置位,用于下一步搜索 } } DFS(sum,col+1);//如果该列没有合适的位置,继续搜索下一列 } int main() { freopen("input","r",stdin); int i,j; while(scanf("%d %d",&size,&k)&& size!=-1) { ans=sum=0; memset(row_flag,0,sizeof(row_flag)); memset(col_flag,0,sizeof(col_flag)); for(i=0;i<size;i++) for(j=0;j<size;j++) scanf(" %c",&map[i][j]); DFS(0,0); printf("%d/n",ans); } return 0; }

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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