[深搜+剪枝] POJ - 1011 Sticks

本文分享了一道需要使用强剪枝的深度优先搜索(DFS)算法解决的问题,通过三维状态搜索并结合多种剪枝策略,成功解决了TLE问题。

http://poj.org/problem?id=1011

我表示这也许是我第一次做这种要强剪枝的题目....

跪了...先是搜索状态搞不清连个dfs都写不出来....然后是不会剪枝狂TLE....

还是看了这位大神的博客....才把几个剪枝搞清楚....少了一个都会TLE....伤不起...

搜索状态:

应该要三维状态, 

//	状态: [cur][idx][sum] 三维, cur 表示当前长棒, idx表示当前短棒(在构造一个长棒的过程中), sum表示长棒构造中的当前长度

状态搞清楚了...就可以写dfs了....大阶段是构造一个个长棒, 小阶段是长棒构造过程中枚举一个个短棒....


代码:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<cmath>
#include<string>
#include<vector>
#include<map>
#include<algorithm>
using namespace std;
inline int Rint() { int x; scanf("%d", &x); return x; }
inline int max(int x, int y) { return (x>y)? x: y; }
inline int min(int x, int y) { return (x<y)? x: y; }
#define FOR(i, a, b) for(int i=(a); i<=(b); i++)
#define FORD(i,a,b) for(int i=(a);i>=(b);i--)
#define REP(x) for(int i=0; i<(x); i++)
typedef long long int64;
#define INF (1<<30)
#define bug(s) cout<<#s<<"="<<s<<" "

#define MAXN 66
int a[MAXN];
int vis[MAXN];
int n;

int dfs(int cur, int idx, int sum, int len, int m)		//	状态: [cur][idx][sum] 三维, cur 表示当前长棒, idx表示当前短棒(在构造一个长棒的过程中), sum表示长棒构造中的当前长度
{
	if(cur == m)	//所有长棒构造完
	{
		return 1;
	}
	else if(sum == len)	//cur长棒构造完
	{
		return dfs(cur+1, 0, 0, len, m);
	}
	else
	{
		//int pre = -1;		//可行性剪枝(跟下面剪枝3一样的) 由于短棒长度有重复, 避免搜状态重复.	(其实a数组可以unique, 然后再用一个数组记录这种长度的个数...)
		FOR(i, idx, n-1)
		{
			if(!vis[i] && a[i]+sum<=len) //&& a[i]!=pre)
			{
				//pre = a[i];
				vis[i] = 1;
				if(dfs(cur, i+1, sum+a[i], len, m))		//i+1....最优化剪枝...2.为了避免重复搜索,令每个大S的组成中,小S的长度依次递减,这样就需要在搜索之前对a[i]排序;全部的大S的第一段小S依次递减
					return 1;		//找到了不再找
				vis[i] = 0;
				if(idx == 0) return 0;	//可行性剪枝. 4.如果此次是在尝试第i个大S的第一段小S a[j],a[j]为当前可以被使用的最长的小S,如果此次尝试失败,直接退出搜索,即退回到对第i-1个大S的搜索。试想:失败说明现在使用a[j]是不可行的,那么什么时候使用a[j]呢?如果没有退出搜索,肯定会在之后的搜索中使用a[j],因为所有的小S必须都使用。之后的a[j]和最初尝试的a[j]有什么不同呢?没有不同,它们等价,因此之后也不会成功,不需要继续搜索。
				while(i+1<n && a[i]==a[i+1]) i++;	//可行性剪枝 3.如果在某层搜索中,尝试将a[j]加入到第i个大S的组成中,如果最终a[j]没有被使用,且a[j+1]==a[j],不需要继续尝试a[j+1]
			}
		}
		return 0;
	}
}

int cmp(int x, int y) { return x>y; }
int main()
{
	while(n = Rint())
	{
		if(n == 0) break;
		int sum = 0;
		REP(n)
		{
			a[i] = Rint();
			sum += a[i];
		}
		sort(a, a+n, cmp);
		for(int len = a[0]; ; len++)	//int len = a[0]....可行性剪枝
		{
			if(sum%len) continue;	//可行性剪枝
			int m = sum/len;		//有几根长棒
			memset(vis, 0, sizeof(vis));
			if(dfs(0, 0, 0, len, m))
			{
				printf("%d\n", len);
				break;
			}
		}
	}
}


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
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