hdu 4090 GemAnd Prince (dfs)

本文介绍了一种用于消除类游戏的算法实现,通过深度优先搜索(DFS)策略来寻找并消除相邻的相同元素,同时计算消除后的得分。文章详细展示了如何遍历游戏区域、更新得分以及重新排列游戏版面的过程。

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

#include<stdio.h>
#include<string.h>
#include<algorithm>


using namespace std;
int x[100], y[100], best, cnt[10];
int step[8][2] = {-1, -1, -1, 0, -1, 1, 0, -1, 0, 1, 1, -1, 1, 0, 1, 1};

int getsum(int maxH, int maxW, int num[][9]) {
    int s = 0; memset(cnt, 0, sizeof(cnt));
    for (int i = 1; i <= maxH; ++i)
        for (int j = 1; j <= maxW; ++j)
            if (num[i][j]) cnt[num[i][j]]++;
    for (int i = 1; i < 10; ++i)
        if (cnt[i]) s += cnt[i] * cnt[i];
    return s;
}


void dfs(int num[][9], int maxH, int maxW, int sum) {
    best = max(best, sum);
    int temp[9][9], vst[9][9], nx, ny;
    if (!maxH || !maxW) return ;
    if (getsum(maxH, maxW, num) + sum <= best) return ;
    memset(vst, 0, sizeof(vst));
    memset(temp, 0, sizeof(temp));
    int nowclr = 0, l, r;
    for (int i = 1; i <= maxH; ++i)
        for (int j = 1; j <= maxW; ++j)
            if ((num[i][j] != 0) && (vst[i][j] == 0)) {
                ++nowclr; l = 1; r = 1;
                x[1] = i; y[1] = j; vst[i][j] = nowclr;
                while (l <= r) {
                    nx = x[l]; ny = y[l++];
                    for (int k = 0; k < 8; ++k) {
                        int dx = nx + step[k][0], dy = ny + step[k][1];
                        if (num[dx][dy] == num[i][j] && !vst[dx][dy]) {
                            vst[dx][dy] = nowclr;
                            x[++r] = dx; y[r] = dy;
                        }
                    }
                }
                if (r < 3) continue;
                for (int x = 1; x <= maxH; ++x)
                    for (int y = 1; y <= maxW; ++y)
                        if (vst[x][y] == nowclr) temp[x][y] = 0;
                        else temp[x][y] = num[x][y];
                int nmaxH = 0, nmaxW = 0;
                for (int x = 1; x <= maxW; ++x) {
                    int ptr = 0;
                    for (int y = 1; y <= maxH; ++y)
                        if (temp[y][x]) {
                            temp[++ptr][x] = temp[y][x];
                        }
                    for (int y = ptr+1; y <= maxH; ++y) temp[y][x] = 0;
                    nmaxH = max(nmaxH, ptr);
                }
                int ptr = 0;
                for (int x = 1; x <= maxW; ++x)
                    if (temp[1][x]) {
                        ++ptr;
                        for (int y = 1; y <= maxH; ++y)
                            temp[y][ptr] = temp[y][x];
                    }
                    for (int y = 1; y <= maxH; ++y)
                        temp[y][ptr+1] = 0;
                nmaxW = ptr;
                dfs(temp, nmaxH, nmaxW, sum + r * r);
            }
}

int main() {
    int n, m, k, num[9][9];

    while (scanf("%d%d%d", &n, &m, &k) == 3) {
        memset(num, 0, sizeof(num)); best = 0;
        for (int i = n; i >= 1; --i)
            for (int j = 1; j <= m; ++j) scanf("%d", &num[i][j]);
        dfs(num, n, m, 0);
        printf("%d\n", best);
    }


    return 0;
}

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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