bfs-poj-Bloxorz I

本文介绍了一种使用广度优先搜索(BFS)算法解决迷宫中机器人从初始位置到目标位置的问题。考虑到机器人的三种状态(站立、横向、纵向),通过多步决策找到最短路径。文章展示了具体的C++实现代码,包括状态转移、地图读取和边界检查等功能。

存在的问题:用string 显示 runtime error 还有就是效率超低,1890ms险过,还是不够

#include <iostream>
#include <cstdio>
#include <queue>
#include <algorithm>
#include <string>
#include <cstring>
using namespace std;
int n,m;
struct node{
    int x,y,state;
    int step;
};
char mmap[505][505];
int used[505][505][10];
node en;
int dir[6][6][6]={  {{0,-2,1},{0,1,1},{1,0,2},{-2,0,2}},  {{0,2,-1},{0,-1,-1},{-1,0,0},{1,0,0}},    {{0,-1,0},{0,1,0},{-1,0,-2},{2,0,-2}}   };
bool can(int x,int y,int state){
    if(state==0)
        return x>=0&&x<n&&y>=0&&y<m&&mmap[x][y]!='#'&&mmap[x][y]!='E';
    else if(state==1)
        return x>=0&&x<n&&y>=0&&y+1<m&&mmap[x][y]!='#'&&mmap[x][y+1]!='#';
    else
        return x>=0&&x+1<n&&y>=0&&y<m&&mmap[x][y]!='#'&&mmap[x+1][y]!='#';
}
int bfs(int x,int y,int state,int step)
{
    queue<node> que;
    node p,now,next;
    p.x=x,p.y=y,p.state=state,p.step=step;
    que.push(p);
    while(!que.empty()){
        now=que.front();
        que.pop();
        if(now.x==en.x && now.y==en.y && now.state==0){
            return now.step;
        }
        for(int i=0;i<4;i++){
            int dx=now.x+dir[now.state][i][0];
            int dy=now.y+dir[now.state][i][1];
            int dstate=now.state+dir[now.state][i][2];
            if(can(dx,dy,dstate) && !used[dx][dy][dstate]){
                next.x=dx,next.y=dy,next.state=dstate,next.step=now.step+1;
                que.push(next);
                used[dx][dy][dstate]=1;
            }
        }
    }
    return -1;
}
int main()
{
    node start,may[4];
    while(scanf("%d%d",&n,&m) &&  (n!=0 && m!=0)){
        int counter=0;
        memset(used,0,sizeof(used));
        for(int i=0;i<n;i++){
            for(int j=0;j<m;j++){
                    scanf(" %c",&mmap[i][j]);
                    if(mmap[i][j]=='X')may[counter].x=i,may[counter++].y=j;
                    if(mmap[i][j]=='O')en.x=i,en.y=j,en.state=0,en.step=0;
            }
        }
        if(counter==1) start.x=may[0].x,start.y=may[0].y,start.step=0,start.state=0;
        else{
            if(may[0].y==may[1].y) start.x=may[0].x,start.y=may[0].y,start.step=0,start.state=2;
            else start.x=may[0].x,start.y=may[0].y,start.step=0,start.state=1;
        }
        used[start.x][start.y][start.state]=1;
        int ans=bfs(start.x,start.y,start.state,start.step);
        if(ans==-1){
            printf("Impossible\n");
        }
        else printf("%d\n",ans);
    }
    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。
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