搜索算法(BFS,DFS)

该博客介绍了如何运用广度优先搜索(BFS)算法解决杭电在线判题系统OJ2717-CatchThatCow的问题。通过建立状态并使用队列进行搜索,寻找从起点到目标位置的最短步数。代码中展示了BFS的基本实现,并给出了完整的解决方案。

1 广度优先搜索(BFS)

//广度优先搜索(BFS)伪代码
bool visited[MAXN];                 //访问标记数组

void BFS(Graph G, int v) {          //从顶点v出发,广度优先遍历图G
    visit(v);                       //访问顶点v
    visited[v] = TRUE;              //对v做已访问标记
    Enqueue(Q, v);                  //v入队
    while (!isEmpty(Q)) {
        DeQueue(Q, v);              //v出队
        for (w = FirstNeighbor(G, v); W >= 0; W = NextNeighbor(G, v, w)) {
                                    //遍历v的邻接节点
            if (!visited[w]) {
                visit(w);           //访问顶点w
                visited[w] = TRUE;  //对w进行已访问标记
                EnQueue(Q, w);      //w入队
            }
        }
    }
}

void BFSTraverse(Graph G) {         //对图G进行广度优先遍历
    for (i = 0; i < G.vexnum; i++)
        visited[i] = false;         //访问标记数组初始化
    InitQueue(Q);                   //初始化辅助队列Q
    for (i = 0; i < G.vexnum; i++) {//对每个联通分量调用一次BFS
        if (!visited[i]) {
            BFS(G, i);
        }
    }
}

1.1 Catch That Cow (杭电OJ 2717)

#include <iostream>
#include <cstring>
#include <queue>

using namespace std;

const int MAXN = 100001;                            //位置空间最大为100000

bool visit[MAXN];                                   //访问标记

struct Status {
    int position;
    int time;
    Status(int n, int t): position(n), time(t) {}   //构造函数
};

int BFS(int n, int k) {
    queue<Status> myQueue;
    visit[n] = true;
    myQueue.push(Status(n, 0));
    while (!myQueue.empty()) {
        Status current = myQueue.front();
        myQueue.pop();
        if (current.position == k) {
            return current.time;
        }
        for (int i = 0; i < 3; i++) {
            Status next(current.position, current.time + 1);
            if (i == 0) {
                next.position += 1;
            } else if (i == 1) {
                next.position -= 1;
            } else {
                next.position *= 2;
            }
            if (next.position < 0 || next.position >= MAXN || visit[next.position]) {
                continue;
            }
            visit[next.position] = true;
            myQueue.push(next);
        }
    }
}

int main() {
    int n, k;
    while (cin >> n >> k) {
        memset(visit, false, sizeof(visit));
        cout << BFS(n, k) << endl;
    }
    return 0;
}
内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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