HPU 1280: 迷上象棋的HH【dp】

HH沉迷于中国象棋,面对棋盘上马的控制点,需要计算卒子从起始点到终点的可行路径数量。此题涉及动态规划算法解决棋盘问题。

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

1280: 迷上象棋的HH

时间限制: 1 Sec   内存限制: 128 MB
提交: 13   解决: 4
[ 提交][ 状态][ 讨论版]

题目描述

HH最近迷上了中国象棋,如图,A 点有一个过河卒,需要走到目标 B 点。卒行走规则:可以向下、或者向右。同时在棋盘上的任一点有一个对方的马(如上图的C点),该马所在的点和所有跳跃一步可达的点称为对方马的控制点。例如上图 C 点上的马可以控制 9 个点(图中的P1,P2 … P8 和 C)。卒不能通过对方马的控制点。

棋盘用坐标表示,A 点(0,0)、B 点(n,m)(n,m 为不超过 20 的整数,并由键盘输入),同样马的位置坐标是需要给出的(约定: C<>A,同时C<>B)。现在要求你计算出卒从 A 点能够到达 B 点的路径的条数。

输入

键盘输入
B点的坐标(n,m)以及对方马的坐标(X,Y){不用盘错}

输出

屏幕输出
一个整数(路径的条数)。

样例输入

6 6 3 2

样例输出

17
AC-code:
#include<cstdio>
#include<cstring>
using namespace std;
long long dp[22][22];
int m,n,map[22][22];
int check(int x,int y)
{
	if(x<0||y<0||x>n||y>m)
		return 0;
	return 1;
}
void get(int x,int y)
{
	map[x][y]=1;
	int a,b;
	a=x+1,b=y+2;
	if(check(a,b))
		map[a][b]=1;
	a=x+1,b=y-2;
	if(check(a,b))
		map[a][b]=1;
	a=x-1,b=y+2;
	if(check(a,b))
		map[a][b]=1;
	a=x-1,b=y-2;
	if(check(a,b))
		map[a][b]=1;
	a=x+2,b=y+1;
	if(check(a,b))
		map[a][b]=1;
	a=x+2,b=y-1;
	if(check(a,b))
		map[a][b]=1;
	a=x-2,b=y+1;
	if(check(a,b))
		map[a][b]=1;
	a=x-2,b=y-1;
	if(check(a,b))
		map[a][b]=1;
}
int main()
{
	int x1,y1,i,j;
	scanf("%d%d%d%d",&n,&m,&x1,&y1);
	memset(dp,0,sizeof(dp));
	memset(map,0,sizeof(map));
	get(x1,y1);
	dp[0][0]=1;
	for(i=1;i<=n;i++)
	{
		if(map[i][0])
			break;
		dp[i][0]=dp[i-1][0];
	}
	for(i=1;i<=m;i++)
	{
		if(map[0][i])
			break;
		dp[0][i]=dp[0][i-1];
	}
	for(i=1;i<=n;i++)
		for(j=1;j<=m;j++)
			if(!map[i][j])
				dp[i][j]=dp[i][j-1]+dp[i-1][j];
	printf("%lld\n",dp[n][m]);
	return 0;
}


内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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