jzoj 1221 King

本文介绍了一个关于在N*N的棋盘上放置M个King棋子的经典状压DP问题,目标是找到所有不互相攻击的布局方案,并通过模运算处理大量可能的方案数。

Description

话说某天在同桌TQH 的鼓励的背景下,Mpq 一时头脑发热,做了一个课题叫《人工智能的初步研究》的研究性学习报告。其实课题的题目比较夸张,事实上内容却很肤浅-_-!说白了就是一个五子棋的博弈程序。。。。
 如果你想得到虐电脑的那种快感的话,请狂砸:www.mpqblog.cn/FiveStoneFinal.rar
如果你想尝试被电脑虐的那种感觉的话,请狂砸:www.mpqblog.cn/Five.rar
好吧,言归正传……研究过五子棋之后,Mpq 开始对国际象棋有兴趣了,所以,接下来的话题当然是有关于国际象棋的啦^_^
Mpq 听说国际象棋中有一种叫King 的动物,他能攻击的范围是八个方向与它相邻的格子。如图,黑色表示棋子,他能攻击的范围就是它周围8 个方向的相邻格子。。
Task:给出一个N*N(1≤N≤15)的棋盘,然后让你在棋盘中放置M(1≤M≤((N+1)/2)^2个King,使得他们不能互相攻击。问你有多少种不同的方案。。由于方案数过多,所以你只要输出方案数模123456788。。。
    Er,如果你要问这个题和研究国际象棋有什么关系,其实我可以告诉你,没什么关系。。。

Input

输入文件仅包含一行,有两个整数N 和M(1≤N≤15,1≤M≤((N+1)/2)^2)。

Output

输出文件仅包含一行,一个整数,表示方案数模123456788 之后的数。

Sample Input

3 2

Sample Output

16

Hint

对于30%的数据,1≤N≤7,1≤M≤8
对于60%的数据,1≤N≤10 ,1≤M≤(N+1)/2)^2
对于100%的数据1≤N≤15,1≤M≤(N+1)/2)^2

解题思路

显然是状压DP,
先枚举出每行可放方案,在DP求解。
用f[i][j][k]表示前i行,第i行状态为j,共放了k个棋子的方案总数。
判断是否能从上一行转移就分别判断左移一位,右移一位,及其本来是否冲突。

Source Code

#include<iostream>
#include<algorithm>
#include<cstdio>
#include<cstring>
#include<cmath>
using namespace std;

const int N=2000;
const int M=65;
const int P=123456788;

int f[16][N][M];
int a[N][2];
int l,n,m;

void dfs(int dep,int x,int y)
{
     if (dep>n) return;
     if (dep==n) {l++;a[l][0]=x;a[l][1]=y;}
     dfs(dep+1,x<<1,y);
     dfs(dep+2,(x<<2)+1,y+1);
}

int pd(int x,int y)
{
     if ((a[x][0]&a[y][0])!=0) return 0;
     if (((a[x][0]<<1)&a[y][0])!=0) return 0;
     if (((a[x][0]>>1)&a[y][0])!=0) return 0;
     return 1;
}


int main()
{
    scanf("%d%d",&n,&m);
    dfs(0,0,0);
    dfs(1,1,1);
    int i,j,k,now;
    f[0][1][0]=1;
    for (i=1;i<=n;i++)
      for (j=1;j<=l;j++)
        for (now=1;now<=l;now++) 
          if (pd(j,now)==1) 
            for (k=a[j][1];k<=m;k++)
              f[i][j][k]=(f[i][j][k]+f[i-1][now][k-a[j][1]])%P;
    int ans=0;
    for (i=1;i<=l;i++)
      ans=(ans+f[n][i][m])%P;
    printf("%d\n",ans);
    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