hdu1253(胜利大逃亡)

本文介绍了一个典型的广度优先搜索(BFS)算法应用案例,用于解决三维迷宫中的最短路径问题。通过详细的代码解析,展示了如何实现BFS算法,并处理了边界条件和特殊情况,如起点或终点为障碍物的情况。
//本题的难度不大大、、只需要用BFS就好了,但是要注意的是,题目给的数据还是很坑的,在做的时候应该多多注意,比如最后一个出口也可以是墙(好坑啊),虽然第一个也可以是墙但是第一个可以忽略,我刚刚开始就是这样错了  以为不可以忽略,错了半个小时,后来才知道,一个字坑啊,,,这个题目还是很具有BFS的代表性的,不可以用优先队列哦  否则会超时

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <queue>
using namespace std;
struct node
{
	int x;
	int y;
	int z;
	int times;
};
int map[60][60][60];
int v[60][60][60];
int x,y,z,t;
int d[6][3]={{1,0,0},{-1,0,0},{0,1,0},{0,-1,0},{0,0,1},{0,0,-1}};


int  BFS()
{
	int i,j,k,x1,y1,z1;
     queue<node>q;
	 node st,en;
	 st.x=0;
	 st.y=0;
	 st.z=0;
	 st.times=0;
	 q.push(st);
	 v[0][0][0]=1;
//	 for(i=0;i<6;i++)
	//	 printf("%d %d %d\n",d[i][0],d[i][1],d[i][2]);
	 while(!q.empty())
	 {
		 st=q.front();
		 q.pop();
		 if(st.x==x-1&&st.y==y-1&&st.z==z-1&&st.times<=t)
		 {
			 return st.times;
		 }
		 for(i=0;i<6;i++)
		 {
			 x1=st.x+d[i][0];
			 y1=st.y+d[i][1];
			 z1=st.z+d[i][2];
			 if(map[x1][y1][z1]==0&&x1>=0&&y1>=0&&z1>=0&&x1<x&&y1<y&&z1<z&&v[x1][y1][z1]==0)
			 {
			    en.times=st.times+1;
				en.x=x1;
				en.y=y1;
				en.z=z1;
				q.push(en);
                v[x1][y1][z1]=1;
			 } 
		 }
	 }
	 return -1;
}
int main()
{
	int i,j,k;
	int T;
    scanf("%d",&T);
	while(T--)
	{
        scanf("%d %d %d %d",&x,&y,&z,&t);
		for(i=0;i<x;i++)
			for(j=0;j<y;j++)
				for(k=0;k<z;k++)
                  scanf("%d",&map[i][j][k]);
		if(map[x-1][y-1][z-1]!=1)
		{
			memset(v,0,sizeof(v));
	     	k=BFS();
	    	printf("%d\n",k);
		}
		else
			printf("-1\n");
	}
	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
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