Lak3 Counting(POJ No.2386)

本文介绍了一种利用深度优先搜索(DFS)算法解决园子中水洼数量统计问题的方法。通过八连通区域定义,即上下左右及对角线方向相连的水区域视为同一水洼,实现对N*M大小园子中独立水洼数量的有效计算。

问题描述:

有个大小为N*M的园子,雨后积起了水。八连通的积水被认为是连接在一起的。求出园子里总共有多少水洼。

N, M <= 100

输入例:

问题分析:

八连通即:上、左上、左,左下,下,右下,右,右上。

这道题可以用深入优先搜索(DFS)的思想。

  1. 寻找是水洼的点。如果找到,标记此点已经记过。

    循环此点的八连通,如果是水,递归循环

  2. 寻找的次数即为水洼数。

代码:

# include <iostream>
# include <fstream>

using namespace std;

int N, M;
char map[100][100];

void DFS_Search(int i, int j)
{
    map[i][j] = '.';
    //这样搞定八循环的方式非常棒!!!
    for ( int dx = -1; dx <= 1; dx++)
    {
        for ( int dy = -1; dy <= 1; dy++)
        {
            int x = i + dx;
            int y = j + dy;
            if ( x >= 0 && x <= N && y >= 0 && y <= M && map[x][y] == 'W')
                DFS_Search(x, y);
        }
    }
}

int main()
{
    int count = 0;
//    ifstream cin("Lake_Counting_Data.txt");
    cin>>N>>M;
    for( int i = 0; i < N; i++)
    {
        for ( int j = 0; j < M; j++)
        {
            cin>>map[i][j];
        }
    }
    
    for( int i = 0; i < N; i++)
    {
        for ( int j = 0; j < M; j++)
        {
            if ( map[i][j] == 'W' )
            {
                count++;
                DFS_Search(i, j);
            }
        }
    }
    cout<<count<<endl;
    return 0;
}

转载于:https://www.cnblogs.com/zixuan-zhang/p/3409160.html

### LAK 模块简介 LAK(Learning Analytics and Knowledge)模块通常涉及教育技术和数据分析领域,旨在通过收集、分析学生的学习行为数据来优化教学过程和提高学习效果[^1]。该模块的核心功能包括但不限于: - **数据采集**:从各种在线平台获取学生的互动记录。 - **数据分析**:运用统计方法和机器学习算法解析这些数据。 - **可视化展示**:将复杂的数据转换成易于理解的图表或报告。 ### 动态网页对LAK的影响 当涉及到动态网页时,“?”字符后的参数可能会影响搜索引擎爬虫的行为[^3]。对于基于Web的应用程序而言,在设计用于支持LAK系统的页面时需要注意这一点,以确保关键资源能够被有效地索引并提供给用户访问。 ### 实践建议 为了更好地理解和掌握LAK相关知识和技术,可以尝试将其应用于具体场景中。例如,如果感兴趣于生物学研究,则可以通过构建模型自动识别不同种类的鸟类叫声;而对于计算机科学爱好者来说,创建一个街景门牌号分类器也是一个不错的选择,这不仅有助于巩固理论基础,还能积累宝贵的实践经验[^2]。 ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression # 假设我们有一个关于学生成绩的数据集 data = {&#39;hours_studied&#39;: [2, 4, 6, ..., 8], &#39;passed_exam&#39;: [&#39;no&#39;, &#39;yes&#39;, &#39;yes&#39;, ..., &#39;yes&#39;]} df = pd.DataFrame(data) X_train, X_test, y_train, y_test = train_test_split(df[[&#39;hours_studied&#39;]], df[&#39;passed_exam&#39;], test_size=0.2) scaler = StandardScaler().fit(X_train) X_scaled = scaler.transform(X_train) model = LogisticRegression() model.fit(X_scaled, y_train) ``` 此代码片段展示了如何使用Python库Pandas读入数据,并利用Scikit-Learn进行简单的逻辑回归预测,这对于初步探索LAK中的某些方面非常有帮助。
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