习题6-5(uva-1600)

该程序实现了一个迷宫求解器,通过广度优先搜索(BFS)策略寻找从起点到终点的最短路径。输入包括迷宫的行数、列数和障碍物数量,然后逐一读取每个位置的状态。当找到终点时,输出步数;若无法到达终点,则输出-1。程序使用了标准库中的数据结构和算法,如队列、矩阵和位运算,有效展示了C++在路径查找问题上的应用。
#include <iostream>
#include <istream>
#include <sstream>
#include <vector>
#include <stack>
#include <list>
#include <map>
#include <set>
#include <deque>
#include <queue>
#include <cstring>
#include <unordered_map>
#include <unordered_set>
#include <algorithm>
#include <numeric>
#include <chrono>
#include <ctime>
#include <cmath>
#include <cctype>
#include <string>
#include <cstdio>
#include <iomanip>


#include <thread>
#include <mutex>
#include <condition_variable>
#include <functional>
#include <iterator>
using namespace std;
int matrix[25][25],vis[25][25][25], n, r, c, k;
const int dirs[4][2] = { {1,0},{-1,0},{0,1},{0,-1} };

int main()
{
	cin >> n;
	while (n--) {
		cin >> r >> c >> k;

		for (int i = 1; i <= r; ++i) {
			for (int j = 1; j <= c; ++j) {
				cin >> matrix[i][j];
			}
		}
		memset(vis, 0, sizeof(vis));
		queue<int> q;
		q.push(1); q.push(1); q.push(0);
		vis[1][1][0] = 1;
		int len = 0,cnt = 0,isok = 0;
		while (!isok && !q.empty()) {
			len = q.size() / 3;
			for (int i = 0; i < len; ++i) {
				int x = q.front(); q.pop();
				int y = q.front(); q.pop();
				int t = q.front(); q.pop();
				if (x == r && y == c) {
					isok = 1;
					break;
				}

				for (int j = 0; j < 4; ++j) {
					int nx = x + dirs[j][0];
					int ny = y + dirs[j][1];
					if(nx <= 0 || nx > r || ny <= 0 || ny > c) continue;
					if (matrix[nx][ny] == 0 && !vis[nx][ny][0]) { vis[nx][ny][0] = 1; q.push(nx); q.push(ny); q.push(0); }
					else if(matrix[nx][ny] == 1 && t + 1 <= k && !vis[nx][ny][t+1]){ 
							q.push(nx);
							q.push(ny);
							q.push(t + 1);
							vis[nx][ny][t+1] = 1;
					}
				}
			}
			if(isok)break;
			++cnt;
		}
		if (isok)
			cout << cnt << endl;
		else
			cout << -1 << 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。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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