hdu 4375 Programmable Robot

本文针对HDU 4375题目提供详细的解题思路及代码实现。解析了指令对机器人移动方向的影响,利用广度优先搜索算法(BFS)寻找最优路径,并介绍了状态转移的方法。

http://acm.hdu.edu.cn/showproblem.php?pid=4375


网上还很少有人写这道题目的结题报告的,就把我自己能理解的写下来,我是看到 http://www.mzry1992.com/blog/miao/2012-multi-university-training-contest-8.html 博客才慢慢理解的。写的很好,Orz


首先通过分析:

1) 向前走时不能够改变方向的,所以对于题目所给出的指令的某个位置是方向是确定的

2)某个点坐标(x,y)有东南西北四个状态,如果才能表示每个状态的好与坏呢?注意到:一个点在某一时刻处于某种方向,一定比其后还是在改点处于这种方向时更优,因为只要机器人不向前行走,就一定能达到后面的状态从而我们就能找到状态的优劣,dist[x][y][dir] 表示在(x,y)面向dir方向的最近的指令,bfs即可

3)优化:每个点的状态到另外个状态,有两种方式: 1  前进  ; 2 原地改变方向  具体看代码实现吧!

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

char s[1000100],mp[1100][1100];
int n,m,l,sx,sy,ex,ey,next[1000100][4],pos[4],dir[1000100],dist[1100][1100][4];
const int step[4][2] = {{-1,0},{0,1},{1,0},{0,-1}};
/*
 0
3 1
 2
*/

vector<pair<int,int> > Q[1000100];

bool BFS()
{
    for (int i = 0;i <= l;i++)
        Q[i].clear();
    for (int i = 0;i < n;i++)
        for (int j = 0;j < m;j++)
            for (int k = 0;k < 4;k++)
                dist[i][j][k] = 2*l;
    Q[0].push_back(make_pair(sx,sy));
    dist[sx][sy][0] = 0;
    for (int dis = 0;dis <= l;dis++)
        for (int pi = 0;pi < Q[dis].size();pi++)
        {
            pair<int,int> now = Q[dis][pi];

            if (now.first == ex && now.second == ey)    return true;

            for (int i = 0;i < 4;i++)
                if (next[dis][i] != -1)
                {
                    if (dist[now.first][now.second][i] == 2*l)
                    {
                        dist[now.first][now.second][i] = next[dis][i];
                        Q[next[dis][i]].push_back(now);
                    }
                }

            int v = dir[dis];
            pair<int,int> nxt = make_pair(now.first+step[v][0],now.second+step[v][1]);
            if (nxt.first < 0 || nxt.first >= n || nxt.second < 0 || nxt.second >= m || mp[nxt.first][nxt.second] == '#')
                continue;
            if (dist[nxt.first][nxt.second][v] == 2*l)
            {
                dist[nxt.first][nxt.second][v] = dis;
                Q[dis].push_back(nxt);
            }
        }
    return false;
}

void calcnext()
{
    dir[0] = 0;
    for (int i = 1;i <= l;i++)
        if (s[i-1] == 'L')
            dir[i] = (dir[i-1]+3)%4;
        else
            dir[i] = (dir[i-1]+1)%4;
    for (int i = 0;i < 4;i++)
        pos[i] = -1;
    pos[dir[l]] = l;
    for (int i = l-1;i >= 0;i--)
    {
        pos[dir[i]] = i;
       // next[i][0] = pos[(dir[i]+3)%4];
       // next[i][1] = pos[(dir[i]+1)%4];
       for(int j=0;j<4;j++)
         next[i][j]=pos[j];
    }
}

int main()
{
    //freopen("1006.in","r",stdin);
   // freopen("1006_2.out","w",stdout);
    while (scanf("%d%d%d",&n,&m,&l) != EOF)
    {
        scanf("%s",s);
        calcnext();
        for (int i = 0; i < n; i++)
        {
            scanf("%s",mp[i]);
            for (int j = 0; j < m; j++)
                if (mp[i][j] == 'S')
                    sx = i,sy = j;
                else if (mp[i][j] == 'E')
                    ex = i,ey = j;
        }
        if (BFS())
            puts("Yes");
        else
            puts("No");
    }
    return 0;
}



内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
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