subway dijkstra

本文介绍了一个使用Dijkstra算法解决实际路径寻找问题的例子。通过输入各站点坐标,计算出最短路径,并特别处理了地铁站之间的连接特性。文章提供了完整的代码实现。

这个题实际上并不难 适合练习dijkstra

#include "stdio.h"
#include "stdlib.h"
#include <cmath>
#define  maxn 1000
#define inf 2000000
double map[maxn][maxn];
double pos[maxn][2];
double d[maxn];
int vis[maxn];
double dist(int x,int y)
{
    return sqrt((pos[x][0]-pos[y][0])*(pos[x][0]-pos[y][0])+(pos[x][1]-pos[y][1])*(pos[x][1]-pos[y][1]));
}
void dijkstra(int n)
{
    for(int i=0;i<=n;i++)
    {
        int x=inf;
        int m = 0;
        for(int j=0;j<=n;j++)
        {
            if(!vis[j]&&d[j]<x) x=d[m=j];
        }
        vis[m]=1;
        for(int j=0;j<=n;j++)
        {
            if(d[m]+map[m][j]<d[j]) d[j]=d[m]+map[m][j];
        }
    }
    return ;
}
int main()
{
    double x,y;
    int cnt=2;
    bool flag=false;
    for(int i=1;i<maxn;i++) d[i]=inf;
    scanf("%lf %lf %lf %lf ",&pos[0][0],&pos[0][1],&pos[1][0],&pos[1][1]);
    map[0][1]=map[1][0]=dist(0,1);
    while(scanf("%lf %lf",&x,&y)!=EOF)
          {
              if(x==-1 &&y==-1)
              {
                  flag=false;
                  continue;
              }
              pos[cnt][0]=x;
              pos[cnt][1]=y;
              if(flag)
              {
                  double d=dist(cnt,cnt-1)*6/4000;
                  map[cnt-1][cnt]=map[cnt][cnt-1]=d;
              }
              flag=true;
              cnt++;
          }
    for(int i=0;i<cnt;i++)
        for(int j=0;j<cnt;j++)
            if(i!=j&&map[i][j]==0) map[i][j]=map[j][i]=dist(i,j)*6/1000;
    dijkstra(cnt-1);
    printf("%.0lf\n",d[1]);
    return 0;
}

只是注意好输入和输出就可以了 注意两点

1.地铁的其中一个站只与前边的站点有距离;

2 其他的站点就是用距离除以10km/h的速度;

下面写代码 

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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