POJ 3278 Catch That Cow(宽搜)

本文介绍了一个经典的最短路径问题——POJ3278追捕奶牛。农夫约翰通过步行或瞬移的方式在数轴上追捕不动的奶牛,使用广度优先搜索算法寻找从起始位置到目标位置的最短步数。

POJ 3278 Catch That Cow
Description

Farmer John has been informed of the location of a fugitive cow and wants to catch her immediately. He starts at a point N (0 ≤ N ≤ 100,000) on a number line and the cow is at a point K (0 ≤ K ≤ 100,000) on the same number line. Farmer John has two modes of transportation: walking and teleporting.

  • Walking: FJ can move from any point X to the points X - 1 or X + 1 in a single minute
  • Teleporting: FJ can move from any point X to the point 2 × X in a single minute.

If the cow, unaware of its pursuit, does not move at all, how long does it take for Farmer John to retrieve it?

Input

Line 1: Two space-separated integers: N and K
Output

Line 1: The least amount of time, in minutes, it takes for Farmer John to catch the fugitive cow.
Sample Input

5 17
Sample Output

4
Hint

The fastest way for Farmer John to reach the fugitive cow is to move along the following path: 5-10-9-18-17, which takes 4 minutes.

题意:农夫约翰要追他的牛,开始给你约翰的位置和牛的位置,约翰一次可以向前移一步,或者向后移一步,或者移动到当前坐标点*2的位置,问最少移动多少步到达牛的位置。

题解:
简单bfs,但是需要开个vis数组记录哪些点已经到过,防止塞进队列的数过多。

#include<iostream>
#include<cstdio>
#include<queue>
using namespace std;
struct cc{
	int x,step;
};
queue<cc>q;
bool vis[2000000];
int main()
{
	int n,m;
	scanf("%d%d",&n,&m);
	q.push((cc){n,0});
	int ans=0;
	vis[n]=1;
	while(!q.empty())
	{
		cc u=q.front(); q.pop();
		if(u.x==m)
		{
			ans=u.step;
			break;
		}
		if(u.x-1>=0&&!vis[u.x-1])
		{
			q.push((cc){u.x-1,u.step+1});
			vis[u.x-1]=1;
		}
		if(u.x+1<=100000&&!vis[u.x+1])
		{
			q.push((cc){u.x+1,u.step+1});
			vis[u.x+1]=1;
		}
		if(u.x*2<=100000&&!vis[u.x*2])
		{
			q.push((cc){u.x*2,u.step+1});
			vis[u.x*2]=1;
		}
	}
	printf("%d",ans);
	return 0;
} 
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学研究具有显著价值。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学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。各分支通过独立学习提取代表性特征,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学依据,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学习技术,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,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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