递归解决八皇后问题(回溯方法)

本文介绍了一个使用递归算法解决八皇后问题的Java实现。通过递归检查每一步是否符合规则,最终找到所有可能的解决方案。文章详细展示了递归函数的工作原理,以及如何判断皇后之间的冲突。

在这里插入图片描述
在这里插入图片描述

/**
 * 
 */
package com.pro.recursion;

/**
 * @Description
 * @author kansir
 * @version
 * @date 2019年8月10日 上午10:08:15
 */
public class EightQueens {
	//定义一个max表示共有多少个皇后
	int max=8;
	//定义数组,保存皇后放置位置的结果,比如arr={0,4,7,5,2,6,1,3}
	int[] array=new int[max];
	
	static int count=0;
	
	static int judgeCount=0;
	
	public static void main(String[] args) {
		
		EightQueens eightQueens=new EightQueens();
		eightQueens.check(0);
		System.out.println("一共有:"+count+"种解法");
		System.out.println("一共有:"+judgeCount+"次判断");
	}
	
	
	//放置第n个皇后
	/**
	 * 
	 * @Description 放置第n个皇后,注意:每个check中都有for循环,因此会产生回溯
	 * @author kansir
	 * @date 2019年8月10日 上午10:39:18
	 * @param n
	 */
	public void check(int n) {
		
		if(n==max) {//n==8,其实8个皇后就已经放好了
			print();
			return;
		}
		//依次放入皇后,并判断是否冲突
		for (int i = 0; i < max; i++) {
			//先把当前这个皇后放到改行的第一列
			array[n]=i;
			//判断当放置第n个皇后到第i列时是否冲突
			if(judge(n)) { //如果不冲突
				//接着放第n+1个皇后,开始递归\
				check(n+1);
				
			}else {//如果冲突,就继续执行array[]=i;即将第n个皇后,放置在本行的后移一个位置
				
			}
		}
	}
	
	/**
	 * 
	 * @Description 查看当我们的位置放第n个皇后,就去检测该黄后是否和前面已经摆放的皇后冲突 
	 * @author kansir
	 * @date 2019年8月10日 上午10:16:43
	 * @param n 表示第n个皇后
	 * @return
	 */
	public boolean judge(int n) {
		judgeCount++;
		
		for (int i = 0; i < n; i++) {
			//如果array[i]==array[n]说明第n个皇后和前面n-1个皇后在同一列
			//Math.abs(n-1) ==Math.abs(array[n]-array[i]) 表示判断第n个皇后是否和第i个皇后在同一斜线
			if(array[i]==array[n]||Math.abs(n-i) ==Math.abs(array[n]-array[i])) {
				return false;
			}
		}
		return true;
	}
	
	
	
	/**
	 * 
	 * @Description 将皇后摆放的位置打印出来 
	 * @author kansir
	 * @date 2019年8月10日 上午10:14:13
	 */
	public void print() {
		count++;
		for (int i = 0; i < array.length; i++) {
			System.out.print(array[i]+" ");
		}
		
		System.out.println();
	}
	
}

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
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