CODEVS 3731 寻找道路

本文介绍了一种使用双方向BFS(宽度优先搜索)解决特定图论问题的方法。首先进行反向BFS标记可达节点,再进行正向BFS求解最短路径。代码实现了读取输入、构建图、执行搜索并输出结果的功能。

【题意】

点击打开链接

【解题方法】反向跑bfs把可以连通的点标,然后正向跑BFS。

【AC 代码】

#include <queue>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
using namespace std;
const int maxn=200005;
struct edge{int to,next;}E[maxn*2];
int head[10005],tot;
int n,m,S,T;
int u[maxn],v[maxn];
int dis[maxn];
bool vis[10005];
int q[10005];
void init()
{
    tot=0;
    memset(head,0,sizeof(head));
}
void addedge(int u,int v)
{
    E[++tot].to=v,E[tot].next=head[u],head[u]=tot;
}
bool check(int u)
{
    for(int i=head[u]; i; i=E[i].next){
        int v=E[i].to;
        if(!vis[v]) return false;
    }
    return true;
}
void bfs1(){
    int fron=0,tail=1;
    q[0]=T;vis[T]=1;
    while(fron!=tail)
    {
        int now=q[fron];fron++;
        for(int i=head[now]; i; i=E[i].next){
            int v=E[i].to;
            if(!vis[v]){
                vis[v]=1;
                q[tail++]=v;
            }
        }
    }
}
bool bfs2(){
    int fron=0,tail=1;
    q[0]=S;
    dis[S]=0;
    while(fron!=tail)
    {
        int now=q[fron];fron++;
        if(!check(now)) continue;
        for(int i=head[now]; i; i=E[i].next){
            if(dis[E[i].to]==-1){
                dis[E[i].to]=dis[now]+1;
                q[tail++]=E[i].to;
                if(E[i].to==T){
                    printf("%d\n",dis[T]);
                    return 1;
                }
            }
        }
    }
    return 0;
}
int main()
{
    scanf("%d%d",&n,&m);
    init();
    for(int i=1; i<=m; i++){
        scanf("%d%d",&u[i],&v[i]);
        if(u[i]!=v[i]) addedge(v[i],u[i]);
    }
    scanf("%d%d",&S,&T);
    bfs1();
    tot=0;
    memset(head,0,sizeof(head));
    memset(dis,-1,sizeof(dis));
    for(int i=1; i<=m; i++){
        if(u[i]!=v[i]) addedge(u[i],v[i]);
    }
    if(!vis[S]) {puts("-1"); return 0;}
    if(!bfs2()) puts("-1");
    return 0;
}


【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
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