学写智障蛇

智能蛇游戏算法设计

这个星期的作业是写一条智能蛇。
智能蛇是一条能自己移动,自己找东西吃,还能尽量规避自己吃掉自己的风险的很”聪明“的蛇,它可以找到食物的位置,并向食物靠近,在吃到食物后,又向下一个食物进发。
要完成这个任务,首先要让蛇长“眼睛”,就是让蛇知道果子的位置,起初,我想的是全图扫描,一个一个扫过去,找到果子的位置,然后再考虑靠近果子的 事情,可是我发现,果子的坐标是不用一个一个 去找的,我们只需要在生成果子的函数中得到果子的坐标,然后将果子的坐标“告诉”智障蛇就行,所以我定义了一个全局变量来时刻记录果子的坐标,当果子被吃掉时,再给它赋上新的随机值。
知道了果子的坐标,然后就是考虑向果子进发的事情了,我想到可以直接计算蛇头与果子的横、纵坐标距离,从而让蛇一步一步靠近果子,于是我让蛇先从纵方向靠近果子,当蛇头与果子纵坐标差为零时,再从横坐标方向靠近,在横坐标差也为零时,果子就吃到了,而在吃到了果子后,就又进入了吃下一个果子的流程中了,这就相当于进入了下一个循环。
下图为程序的展示这里写图片描述
不过我发现,这样的走法是很low的,因为很多时候走直线比较容易把自己吃掉,因为这种算法没有考虑到蛇身的种种情况,因此,这还是一种很初级的走法。

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于习交流使用,请勿用于商业,如有侵权请联系我删除!
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