BOJ 4228 哈哈哈

本文探讨使用状态压缩技术解决宝物收集问题,通过二进制映射物品状态,实现高效路径查找与物品获取逻辑。

题目链接~~>

做题感悟:这题一看就知道要用状态压缩,本题和HDU 1429 胜利大逃亡(续)差不多。

解题思路:你可以把宝物压缩为二进制,例如:01001 代表你已经拿过 1 号和 4 号宝物了 0 代表相应的宝物没拿。用同样的方法把拿某个物品的前提条件也映射成二进制。假如你现在遇到 3 号宝物,如果3号宝物的前提条件是拿到 1 号 和 4 号宝物才能拿 3 号,那么前提条件可以用二进制表示为 :01001  那么只要将这个二进制与你当前的 key 相与如果结果还是等于前提条件的二进制,表示前提条件已经满足。so 3 号物品可以取走(前提是没取过三号物品),否则不可以。

代码:

#include<stdio.h>
#include<iostream>
#include<map>
#include<stack>
#include<string>
#include<string.h>
#include<stdlib.h>
#include<math.h>
#include<vector>
#include<queue>
#include<algorithm>
using namespace std ;
#define LEN sizeof(struct node)
#define lld long long int
const double PI = 3.1415926 ;
const double INF = 99999999 ;
const int MX =25 ;
int n,m,mx ;
char s[MX][MX] ;
int b[MX] ;
int dx[4]={1,-1,0,0},dy[4]={0,0,1,-1} ;
bool vis[MX][MX][MX] ;// 标记数组
struct node
{
    int x,y,key,step ;
} ;
bool search(int x,int y) // 判断是否出界
{
    if(x<0||y<0||x>=n||y>=m||s[x][y]=='#')
       return false ;
       return true ;
}
int bfs(int x,int y)
{
    int key,sx,sy,temp ;
    memset(vis,false,sizeof(vis)) ;
    queue<node>q ;
    node curt,next ;
    curt.x=x ;
    curt.y=y ;
    curt.key=0 ;
    curt.step=0 ;
    vis[x][y][0]=true ;
    q.push(curt) ;
    while(!q.empty())
    {
        curt=q.front() ;
        q.pop() ;
        if(curt.key==(1<<mx)-1&&s[curt.x][curt.y]=='E')
           return curt.step ;
        for(int i=0 ;i<4 ;i++)
        {
            next.x=sx=curt.x+dx[i] ;
            next.y=sy=curt.y+dy[i] ;
            next.step=curt.step+1 ;
            next.key=key=curt.key ;
            if(search(sx,sy)) // 判断是否出界
            {
                if(s[sx][sy]>='0'&&s[sx][sy]<='9') // 是宝藏
                {
                    temp=s[sx][sy]-'0' ;
                    if(key&(1<<temp)) // 已经取过
                    {
                        if(!vis[sx][sy][key])
                        {
                            vis[sx][sy][key]=true ;
                            next.key=key ;
                            q.push(next) ;
                        }
                    }
                    else  // 还没取过
                    {
                        temp=s[sx][sy]-'0' ;
                        if((key&b[temp])==b[temp])// 取该宝物的前提条件已经满足
                        {
                            next.key=key|(1<<temp) ;
                            vis[sx][sy][next.key]=true ;
                            q.push(next) ;
                        }
                        else if(!vis[sx][sy][key])// 前提条件没满足
                        {
                            vis[sx][sy][key]=true ;
                            next.key=key ;
                            q.push(next) ;
                        }
                    }

                }
                else if(!vis[sx][sy][key])// 不是宝藏
                {
                    next.key=key ;
                    vis[sx][sy][key]=true ;
                    q.push(next) ;
                }
            }
        }
    }
    return -1 ;
}
int main()
{
    int sx,sy ;
    while(~scanf("%d%d",&n,&m))
    {
        for(int i=0 ;i<n ;i++)
        {
            scanf("%s",s[i]) ;
            for(int j=0 ;j<m ;j++)
              if(s[i][j]=='S')
              {
                  sx=i ;
                  sy=j ;
              }
              else if(s[i][j]>='0'&&s[i][j]<='9')
                  mx++ ;
        }
        int nx,ans=0,y ;
        for(int i=0 ;i<mx ;i++)
        {
            scanf("%d",&nx) ;
            ans=0 ;
            for(int j=0 ;j<nx ;j++)
            {
                scanf("%d",&y) ;
                ans=ans|(1<<y) ;
            }
            b[i]=ans ;// 取第 i 个宝物的前提条件
        }
        int an=bfs(sx,sy) ;
        if(an!=-1)
                printf("%d\n",an) ;
        else    printf("Impossible\n") ;
    }
    return 0 ;
}


 

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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

打赏作者

Muti-Agent

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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