力扣-79 单词搜索

该博客介绍了一个Python类`Solution`,实现了回溯算法来检查给定的二维字符矩阵中是否存在指定的单词。算法通过遍历矩阵并标记已访问的位置,从匹配到的第一个字符开始进行深度优先搜索,探索所有可能的路径。当找到完整的单词时,返回`True`,否则返回`False`。
# 使用回溯算法
class Solution:
    def exist(self, board: List[List[str]], word: str) -> bool:
        # 有个二维列表记录当前位置是否走过
        # 记录走过的路径,如果word在走过的路径中,则返回true
        self.res = False
        # m * n 的矩阵
        m = len(board)
        n = len(board[0])
        mask = self.create_mask(m,n)
        # mask[0][0]=1
        for i in range(m):
            for j in range(n):
                # 先找到word的第一个字符,然后开始回溯
                if board[i][j] == word[0]:
                    cur = board[i][j]
                    mask[i][j] = 1
                    self.drawback(board[:], i, j, cur[:], mask[:], word[:])
                    mask[i][j] = 0
        return self.res

    def drawback(self, board, i, j, cur, mask, word):
        if cur != word[:len(cur)]:
            return
        if cur == word:
            if cur == word:
                self.res = True
            return
        # 上、下、左、右四个方位
        # 左
        if j-1 >= 0 :
            if mask[i][j-1] == 0:
                cur += board[i][j-1]
                mask[i][j-1] = 1
                self.drawback(board[:], i, j-1, cur[:], mask[:], word[:])
                cur = cur[:-1]
                mask[i][j-1] = 0
        # 右
        if j+1 < len(board[0]):
            if mask[i][j+1] == 0:
                cur += board[i][j+1]
                mask[i][j+1] = 1
                self.drawback(board[:], i, j+1, cur[:], mask[:], word[:])
                cur = cur[:-1]
                mask[i][j+1] = 0

        # 上
        if i-1 >= 0:
            if mask[i-1][j] == 0:
                cur += board[i-1][j]
                mask[i-1][j] = 1
                self.drawback(board[:], i-1, j, cur[:], mask[:], word[:])
                cur = cur[:-1]
                mask[i-1][j] = 0

        # 下
        if i+1 < len(board):
            if mask[i+1][j] == 0:
                cur += board[i+1][j]
                mask[i+1][j] = 1
                self.drawback(board[:], i+1, j, cur[:], mask[:], word[:])
                cur = cur[:-1]
                mask[i+1][j] = 0
        return

    
    def create_mask(self,m,n):
        mask =  [[0 for col in range(n)] for row in range(m)]
        return mask[:]
内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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