uva 1419 Ugly Windows

本文探讨并实现了一个用于筛选窗口顶端元素的算法,详细解释了思路与步骤,并通过代码实例展示了具体应用。

题目链接: 点击打开链接

题目大意: 输入几个窗口,判断在最顶上的窗口是哪些

思路: 字符串遍历

分析: 

思路应该没问题.poj上是AC了,但是uva上提交了半天都是wa,上网找了几个代码交上去也是wa...从uva上找了几道之前AC的题,原本可以的代码也都wa了...是不是出了什么问题?

1. 第一步先把不可能在顶端的窗口过滤掉.观察在边界上的字母,如果没被覆盖,周围一定有两个相同字母,找不到说明有窗口overlap了...

2. 还有一种可能是一个小窗口完全叠加在一个大窗口上.这种情况下只要扫描大窗口内部,发现一个不是'.'的字母就可以排除了.

代码:

#include <cstdio>
#include <memory.h>
using namespace std;

const int maxn = 100 + 10;
char ui[maxn][maxn];
int n, m;
bool possible[27], input[27];

struct area
{
	int x1, y1, x2, y2;
} areas[27];

bool inside(int x, int y)
{
	return 0 <= x && x < n && 0 <= y && y < m;
}

bool is_cutted(int x, int y)
{
	char c = ui[x][y];
	int total = 0;
	if (inside(x-1, y) && ui[x-1][y] == c)
		++total;
	if (inside(x+1, y) && ui[x+1][y] == c)
		++total;
	if (inside(x, y-1) && ui[x][y-1] == c)
		++total;
	if (inside(x, y+1) && ui[x][y+1] == c)
		++total;
	return total < 2;
}

bool is_upper_left(int x, int y)
{
	char c = ui[x][y];
	return inside(x, y+1) && ui[x][y+1] == c && 
			inside(x+1, y) && ui[x+1][y] == c;
}

bool is_lower_right(int x, int y)
{
	char c = ui[x][y];
	return inside(x, y-1) && ui[x][y-1] == c && 
			inside(x-1, y) && ui[x-1][y] == c;
}

void init()
{
	for (int i = 0; i < n; ++i)
		scanf("%s", ui[i]);
		//for (int j = 0; j < m; ++j) {
		//	scanf("%c", &ui[i][j]);
		//	printf("%c", ui[i][j]);
		//}
	memset(possible, 1, sizeof(possible));
	memset(input, 0, sizeof(input));
}

void find_cutted()
{
	for (int i = 0; i < n; ++i)
		for (int j = 0; j < m; ++j) {
			char c = ui[i][j];
			if (c!= '.')
			{
				input[c - 'A'] = true;
				if (possible[c - 'A']) {
					if (is_upper_left(i, j)) {
						areas[c - 'A'].x1 = i;
						areas[c - 'A'].y1 = j;
					}
					else if (is_lower_right(i, j)) {
						areas[c - 'A'].x2 = i;
						areas[c - 'A'].y2 = j;
					}
				
					if (is_cutted(i, j))
						possible[c - 'A'] = false;
				}
			}
		}
}

bool scan_inside(int p)
{
	char c = p + 'A';
	int x1 = areas[p].x1, y1 = areas[p].y1, x2 = areas[p].x2, y2 = areas[p].y2;
	for (int i = x1 + 1; i < x2; ++i)
		for (int j = y1 + 1; j < y2; ++j)
			if (ui[i][j] != '.')
				return false;
	return true;
}

void solve()
{
	for (int i = 0; i < 26; ++i)
		if (input[i] && possible[i] && scan_inside(i))
			printf("%c", i + 'A');
	printf("\n");
}

int main()
{
	while (scanf("%d %d", &n, &m) && n != 0 &&& m != 0)
	{
		init();
		find_cutted();
		solve();
	}
	return 0;
}


内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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