Leetcode-37: Sudoku Solver

本文介绍了一种使用位运算和深度优先搜索(DFS)解决数独问题的经典算法。该算法首先预处理数独盘面,标记已知数字的位置,然后通过递归调用DFS尝试填充剩余空格,直至解决问题。文章提供了完整的C++代码实现。

这题也是经典回溯题,跟八皇后很像。

注意:

1) 还是用位运算最方便。
2) dfs参数用一个index就可以了,然后转换成row和col。
3) 如果当前格不是'.',那就跳过去处理下一格。

#include <iostream>
#include <vector>

using namespace std;

vector<int> row(9,0), col(9,0), grids(9,0);

void preprocess(vector<vector<char>>& board) {
    if (board.size()!=9) return;
    for (int i=0; i<9; ++i) {
        if (board[i].size()!=9) return;
        for (int j=0; j<9; ++j) {
            char c=board[i][j];
            if (c!='.') {
                int k=0x1<<(board[i][j]-'0');
                row[i]|=k; col[j]|=k; grids[i/3*3+j/3]|=k;
            }
        }
    }
}

bool dfs(int index, vector<vector<char>>& board) {
    if (index==81)
        return true;

    int r=index/9, c=index%9;

    if (board[r][c]=='.') {
        for (int i=1; i<=9; i++) {   //note: not i=0..8
            int j=0x1<<i;
            if (!(row[r]&j) && !(col[c]&j) && !(grids[r/3*3+c/3]&j)) {
                row[r]|=j; col[c]|=j; grids[r/3*3+c/3]|=j;
                board[r][c]='0'+i;
                if (dfs(index+1, board)) {
                    return true;
                }
                row[r]^=j; col[c]^=j; grids[r/3*3+c/3]^=j;
                board[r][c]='.';
              //  return false; //do not return as we can still try other i !!!
            }
        }
        return false;
    }else {  //if current board unit is number, then continue with dfs on next unit
        return dfs(index+1, board);
    }
}

void solveSudoku(vector<vector<char>>& board) {
    preprocess(board);
    dfs(0, board);
}

int main()
{
    vector<vector<char> >  board{{'5','3','.','.','7','.','.','.','.'},
                                 {'6','.','.','1','9','5','.','.','.'},
                                 {'.','9','8','.','.','.','.','6','.'},
                                 {'8','.','.','.','6','.','.','.','3'},
                                 {'4','.','.','8','.','3','.','.','1'},
                                 {'7','.','.','.','2','.','.','.','6'},
                                 {'.','6','.','.','.','.','2','8','.'},
                                 {'.','.','.','4','1','9','.','.','5'},
                                 {'.','.','.','.','8','.','.','7','9'}};

    solveSudoku(board);

    for (auto i=0; i<9; i++) {
        for (auto j=0; j<9; j++)
            cout<<board[i][j]<<" ";
        cout<<endl;
    }

    return 0;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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