图的深搜与广搜

typedef char VType;
#define INF 65535
#define MAXVEX 100
//邻接矩阵 
typedef struct{
	VType vertices[MAXVEX];
	int edges[MAXVEX][MAXVEX];
	int vexnum,edgenum;
}MGraph; 
//邻接表
typedef struct ENode{
	int adjvex;
	struct ENode *next;
}ENode;
typedef struct VNode{
	VType data;
	ENode *firstedge;
}VNode,AdjList[MAXVEX];
typedef struct{
	AdjList vertices;
	int vexnum,edgenum;
}ALGraph;

//邻接矩阵深搜 
bool vis[MAXVEX];
void DFStraverse(MGraph G){
	for(int i=0;i<G.vexnum;i++){
		vis[i]=false;
	}
	for(int i=0;i<G.vexnum;i++){
		if(!vis[i]){
			DFS(G,i);
		}
	}
}
//口诀:打印访问循环搜索 
void DFS(MGraph G,int v){
	printf("%c",G.vertices[v]);
	vis[v]=true;
	for(int j=0;j<G.vexnum;j++){
		if(G.edges[v][j]==1&&!vis[j]){
			DFS(G,j);
		}
	}
}

//邻接矩阵广搜
bool vis[MAXVEX];
InitQueue(Q);
void BFSTraverse(MGraph G){
	for(int i=0;i<G.vexnum;i++){
		vis[i]=false;
	}
	for(int i=0;i<G.vexnum;i++){
		if(!vis[i]){
			BFS(G,i);
		}
	}
} 
//口诀:打印访问入队,出队打印访问入队
void BFS(MGraph G,int v){
	printf("%c",G.vertices[v]);
	vis[v]=true;
	EnQueue(Q,v);
	while(!IsEmpty(Q)){
		DeQueue(Q,v);
		for(int j=0;j<G.vexnum;j++){
			if(G.edges[v][j]==1&&!vis[j]){
				printf("%c",G.vertices[j]);
				vis[j]=true;
				EnQueue(Q,j);
			}
		}
	}
}

//邻接表广搜
void BFS(ALGraph G,int v){
	printf("%c",G.vertices[v].data);
	vis[v]=true;
	EnQueue(Q,v);
	while(!IsEmpty(Q)){
		DeQueue(Q,v);
		ENode* p=G.vertices[v].firstedge;
		while(p){
			if(!vis[p->adjvex]){
				printf("%c",G.vertices[p->adjvex].data);
				vis[p->adjvex]=true;
				EnQueue(Q,p->adjvex);
			}
			p=p->next; 
		}
	}
}

int d[MAXVEX];
void BFS_MIN_Distance(MGraph G,int u){
	for(int i=0;i<G.vexnum;i++)d[i]=INF;
	vis[u]=true;d[u]=0;
	EnQueue(Q,u);
	while(!IsEmpty(Q)){
		DeQueue(Q,u);
		for(int j=0;j<G.vexnum;j++){
			if(G.edges[u][j]==1&&!vis[j]){
				vis[j]=true;
				d[j]=d[u]+1;
				EnQueue(Q,j);
			}
		}
	}
} 

 

数据集介绍:野生动物家畜多目标检测数据集 数据集名称:野生动物家畜多目标检测数据集 数据规模: - 训练集:1,540张片 - 验证集:377张片 - 测试集:316张片 分类类别: Brown-bear(棕熊)、Chicken(鸡)、Fox(狐狸)、Hedgehog(刺猬)、Horse(马)、Mouse(老鼠)、Sheep(绵羊)、Snake(蛇)、Turtle(龟)、Rabbit(兔)及通用object(物体)共11个类别 标注格式: YOLO格式标注,包含归一化坐标类别索引,支持目标检测模型训练 数据特性: 涵盖航拍地面视角,包含动物个体及群体场景,适用于复杂环境下的多目标识别 农业智能化管理: 通过检测家畜(鸡/马/绵羊等)数量及活动状态,辅助畜牧场自动化管理 生态监测系统: 支持野生动物(棕熊/狐狸/刺猬等)识别追踪,用于自然保护区生物多样性研究 智能安防应用: 检测农场周边危险动物(蛇/狐狸),构建入侵预警系统 动物行为研究: 提供多物种共存场景数据,支持动物群体交互行为分析 高实用性标注体系: - 精细标注包含动物完整轮廓的边界框 - 特别区分野生动物家畜类别,支持跨场景迁移学习 多维度覆盖: - 包含昼间/复杂背景/遮挡场景 - 涵盖陆地常见中小型动物禽类 - 提供通用object类别适配扩展需求 工程适配性强: - 原生YOLO格式适配主流检测框架(YOLOv5/v7/v8等) - 验证集测试集比例科学,支持可靠模型评估 生态价值突出: - 同步覆盖濒危物种(龟类)常见物种 - 支持生物多样性保护农业生产的双重应用场景
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