POJ 1979 Red and Black 深搜入门

本文介绍了一种使用深度优先搜索(DFS)算法解决迷宫问题的方法。通过递归地访问可达节点并计数,实现对从指定起点可达的所有黑色瓷砖数量的计算。此算法适用于寻找连通组件。

题意:给定一个 W*H 的矩形,“.”代表可到达的(黑色瓷片),“#”表示障碍(红色瓷片),某人在一个“@”的起始点,求他所能到达的瓷片有多少个(包括第一所占的瓷片)。

深度优先遍历图 VS 广度优先遍历图
深度优先遍历图 VS 广度优先遍历图.gif

import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.io.PrintWriter;
import java.util.Arrays;
import java.util.Scanner;

public class Main {

    private static final int MAX_SIZE = 25;

    private static char tileColor[][] = new char[MAX_SIZE][MAX_SIZE];  // 瓷片的颜色
    private static boolean pass[][] = new boolean[MAX_SIZE][MAX_SIZE]; // 瓷片是否路过
    private static int blackNum;    // 能到达的黑色瓷片的数量

    private static void DFS(int indexI, int indexJ) {
        // 直到该瓷片都被访问
        if (pass[indexI][indexJ]) {
            return;
        }
        pass[indexI][indexJ] = true;// 标记已访问瓷片
        ++blackNum;                 // 到达的瓷片加 1 
        // 向上走
        if (tileColor[indexI - 1][indexJ] != '#') {
            DFS(indexI - 1, indexJ);
        }
        // 向下走
        if (tileColor[indexI + 1][indexJ] != '#') {
            DFS(indexI + 1, indexJ);
        }
        // 向左走
        if (tileColor[indexI][indexJ - 1] != '#') {
            DFS(indexI, indexJ - 1);
        }
        // 向右走
        if (tileColor[indexI][indexJ + 1] != '#') {
            DFS(indexI, indexJ + 1);
        }
    }

    public static void main(String[] args) {
        Scanner in = new Scanner(new BufferedReader(new InputStreamReader(System.in)));
        PrintWriter out = new PrintWriter(new BufferedWriter(new OutputStreamWriter(System.out)));
        int H;  // 行
        int W;  // 列
        int indexC = 0;  // @ 所在的列
        int indexR = 0;  // @ 所在的行
        String inputStr;
        char temp;
        while (in.hasNext()) {
            W = in.nextInt();
            H = in.nextInt();
            if (H == 0 && W == 0) {
                break;
            }
            // 初始化,因为没墙包着,所以四周需要加墙
            for (int index = 0; index < MAX_SIZE; index++) {
                Arrays.fill(tileColor[index], '#');
                Arrays.fill(pass[index], false);
            }
            for (int indexI = 1; indexI <= H; indexI++) {
                inputStr = in.next();
                for (int indexJ = 1; indexJ <= W; indexJ++) {
                    temp = inputStr.charAt(indexJ - 1);
                    tileColor[indexI][indexJ] = temp;
                    if (temp == '@') {
                        indexC = indexJ;
                        indexR = indexI;
                    }
                }
            }
            blackNum = 0;  // 初始化
            DFS(indexR, indexC);
            out.println(blackNum);
        }
        out.flush();
    }
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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