剑指OFFER12:回溯法-矩阵中的路径

本文介绍了一种用于判断矩阵中是否存在特定字符串路径的算法。通过深度优先搜索和回溯法,遍历矩阵的每个格子,检查是否能形成目标字符串路径。文章提供了详细的代码实现和解释。

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

牛客网

题目:请设计一个函数,用来判断在一个矩阵中是否存在一条包含某字符串所有字符的路径。路径可以从矩阵中的任意一个格子开始,每一步可以在矩阵中向左,向右,向上,向下移动一个格子。如果一条路径经过了矩阵中的某一个格子,则之后不能再次进入这个格子。 例如

a b t g

c f c s

j d e h

这样的3 X 4 矩阵中包含一条字符串"b f c e"的路径,但是矩阵中不包含"a b f b"路径,因为字符串的第一个字符b占据了矩阵中的第一行第二个格子之后,路径不能再次进入该格子。


思路:遍历这个二维矩阵,从第一个开始判断满不满足 字符串,不满足就继续下一个,满足的话,递归判断再下一个满不满足,递归出口是我当前满足的字符串的已经走到末尾了,则矩阵中存在这样的一条字符串路径。
同时期间也要判断,我走过的地方就不能再走了,用一个数组来标志是否走过。


ac代码: 

public class Solution {
    public boolean hasPath(char[] matrix, int rows, int cols, char[] str)
    {
    if(str == null) return false;
		//保存当前节点是否被访问过
		boolean visited[] = new  boolean [rows*cols];
		for(int i=0;i<visited.length;i++) visited[i] = false;
		//System.out.println(visited.length);
		int pathLength = 0; //当前已有的正确节点长度
		for(int i=0;i<rows;i++) {
			for(int j=0;j<cols;j++) {
				if(hasPathCore(matrix,i,j,rows,cols,str,pathLength,visited))
					return true;
			}
		}
		return false;
    }
public static boolean hasPathCore(char array[],int row,int col,int rows,int cols,char[]  str,int pathLength,boolean visited[]) {
		if(pathLength == str.length) 
			return true;
		boolean  hasPath = false;
		//System.out.println("path = "+pathLength);
		if(row >=0 &&row <rows && col>=0 && col <cols
				&& array[row*cols+col] == str[pathLength] && !visited[row*cols+col]) {
			//System.out.println(str[pathLength]);
			pathLength++;
			visited[row*cols+col] = true;
			
			hasPath = hasPathCore(array, row, col-1,rows,cols, str, pathLength, visited) ||
					hasPathCore(array, row, col+1, rows,cols,str, pathLength, visited) ||  
					hasPathCore(array, row-1, col,rows,cols, str, pathLength, visited) ||
					hasPathCore(array, row+1, col, rows,cols,str, pathLength, visited);
			if(!hasPath) {
				pathLength --;
				visited[row*cols+col] = false;
			}
		}
		
		return hasPath;
	}

}

完整代码:

public class twelveLuJing {

	public static void main(String[] args) {
		char [][] array = {
				{'a','b','t','g'},
				{'c','f','c','s'},
				{'j','d','e','h'}
		};
//		char [] [] array = {
//				{'A','B','C','E'},
//				{'S','F','C','S'},
//				{'A','D','E','E'}
//		};
		char str []= {'A','B','C','C'};
	//	System.out.println(array[0].length);
		System.out.println(hasPath(array, str));
	}
	public static boolean hasPath(char array[][],char [] string) {
		if(string == null) return false;
		//保存当前节点是否被访问过
		boolean visited[] = new  boolean [array.length*array[0].length];
		for(int i=0;i<visited.length;i++) visited[i] = false;
		//System.out.println(visited.length);
		int pathLength = 0; //当前已有的正确节点长度
		for(int i=0;i<array.length;i++) {
			for(int j=0;j<array[0].length;j++) {
				if(hasPathCore(array,i,j,string,pathLength,visited))
					return true;
			}
		}
		return false;
	}
	public static boolean hasPathCore(char array[][],int row,int col,char[]  str,int pathLength,boolean visited[]) {
		if(pathLength == str.length) 
			return true;
		boolean  hasPath = false;
		//System.out.println("path = "+pathLength);
		if(row >=0 &&row <array.length && col>=0 && col <array[0].length
				&& array[row][col] == str[pathLength] && !visited[row*array[0].length+col]) {
			//System.out.println(str[pathLength]);
			pathLength++;
			visited[row*array[0].length+col] = true;
			
			hasPath = hasPathCore(array, row, col-1, str, pathLength, visited) ||
					hasPathCore(array, row, col+1, str, pathLength, visited) ||  
					hasPathCore(array, row-1, col, str, pathLength, visited) ||
					hasPathCore(array, row+1, col, str, pathLength, visited);
			if(!hasPath) {
				pathLength --;
				visited[row*array[0].length+col] = false;
			}
		}
		
		return hasPath;
	}
}

总结:回溯法适合解决一个问题,同时该问题下有多种子结构选择问题,类似于树结构,在满足当前节点的条件下,去遍历剩余的所有节点,从而找出最终的答案。
像解决迷宫类问题。

内容概要:该论文聚焦于T2WI核磁共振像超分辨率问题,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,还保持了像质量。 适合人群:从事医学像处理、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核磁共振像分辨率的应用场景;②目标是通过跨模态信息融合提高像质量,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