[Swust OJ 409]--小鼠迷宫问题(BFS+记忆化搜索)

本文介绍了一种使用BFS结合记忆化搜索的方法来解决迷宫中寻找从起点到终点的所有最短路径的问题,并给出了具体的实现代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

题目链接:http://acm.swust.edu.cn/problem/409/

Time limit(ms): 1000        Memory limit(kb): 65535
 
Description
小鼠a与小鼠b身处一个m×n的迷宫中,如图所示。每一个方格表示迷宫中的一个房间。这m×n个房间中有一些房间是封闭的,不允许任何人进入。在迷宫中任何位置均可沿上,下,左,右4个方向进入未封闭的房间。小鼠a位于迷宫的(p,q)方格中,它必须找出一条通向小鼠b所在的(r,s)方格的路。请帮助小鼠a找出所有通向小鼠b的最短道路。 



编程任务: 
对于给定的小鼠的迷宫,编程计算小鼠a通向小鼠b的所有最短道路。
 
Input
第一行有3个正整数n,m,k,分别表示迷宫的行数,列数和封闭的房间数,1 < n,m < 100。接下来的k行中,每行2个正整数,表示被封闭的房间所在的行号和列号。最后的2行,每行也有2个正整数,分别表示小鼠a所处的方格(p,q)和小鼠b所处的方格(r,s)。
 
Output
将计算出的小鼠a通向小鼠b的最短路长度和有多少条不同的最短路输出。第一行是最短路长度。第2行是不同的最短路数。 
如果小鼠a无法通向小鼠b则输出“No Solution!”。
 
Sample Input
8 8 3
3 3
4 5
6 6
2 1
7 7

Sample Output
11
96

 
解题思路:在最短路径的基础上还要求路径条数,那么自然而然的想到了记忆化搜索Orz~~~
 
代码如下:
 1 #include <iostream>
 2 #include <queue>
 3 #include <cstring>
 4 #define maxn 101
 5 using namespace std;
 6 typedef long long LL;
 7 struct node{
 8     int sx, sy;
 9     node(int x, int y) :sx(x), sy(y){};
10     node(){};
11 };
12 int n, m, k, mpt[maxn][maxn], vis[maxn][maxn], dis[4][2] = { 1, 0, -1, 0, 0, -1, 0, 1 };
13 LL dp[maxn][maxn];
14 //dp[i][j]代表路径条数,mpt[i][j]最短路程的值
15 int BFS(int sx, int sy, int ex, int ey){
16     dp[sx][sy] = 1;//初始情况1条路径
17     vis[sx][sy] = 1;
18     node start(sx, sy);
19     queue<node>Q;
20     Q.push(start);
21     while (!Q.empty()){
22         node now = Q.front();
23         Q.pop();
24         if (now.sx == ex && now.sy == ey)//找到终点,返回最短路径
25             return mpt[now.sx][now.sy];
26         for (int i = 0; i < 4; i++){
27             int x = now.sx + dis[i][0];
28             int y = now.sy + dis[i][1];
29             if (x >= 1 && x <= n && y >= 1 && y <= m && mpt[x][y] != -1){
30                 if (!vis[x][y]){
31                     vis[x][y] = 1;
32                     mpt[x][y] = mpt[now.sx][now.sy] + 1;//最短路程加1
33                     dp[x][y] = dp[now.sx][now.sy];//直接赋值
34                     node next(x, y);
35                     Q.push(next);
36                 }
37                 else
38                     dp[x][y] += dp[now.sx][now.sy];
39             }
40         }
41     }
42     return -1;
43 }
44 int main(){
45     int x, y, sx, sy, ex, ey;
46     while (cin >> n >> m >> k){
47         memset(mpt, 0, sizeof(mpt));
48         memset(dp, 0, sizeof(dp));
49         memset(vis, 0, sizeof(vis));
50         for (int i = 0; i < k; i++){
51             cin >> x >> y;
52             mpt[x][y] = -1;//标记为障碍物
53         }
54         cin >> sx >> sy >> ex >> ey;
55         int ans = BFS(sx, sy, ex, ey);
56         if (ans == -1)
57             cout << "No Solution!" << endl;
58         else
59             cout << mpt[ex][ey] << endl << dp[ex][ey] << endl;
60     }
61     return 0;
62 }
View Code

 

转载于:https://www.cnblogs.com/zyxStar/p/4608225.html

内容概要:本文深入探讨了Kotlin语言在函数式编程和跨平台开发方面的特性和优势,结合详细的代码案例,展示了Kotlin的核心技巧和应用场景。文章首先介绍了高阶函数和Lambda表达式的使用,解释了它们如何简化集合操作和回调函数处理。接着,详细讲解了Kotlin Multiplatform(KMP)的实现方式,包括共享模块的创建和平台特定模块的配置,展示了如何通过共享业务逻辑代码提高开发效率。最后,文章总结了Kotlin在Android开发、跨平台移动开发、后端开发和Web开发中的应用场景,并展望了其未来发展趋势,指出Kotlin将继续在函数式编程和跨平台开发领域不断完善和发展。; 适合人群:对函数式编程和跨平台开发感兴趣的开发者,尤其是有一定编程基础的Kotlin初学者和中级开发者。; 使用场景及目标:①理解Kotlin中高阶函数和Lambda表达式的使用方法及其在实际开发中的应用场景;②掌握Kotlin Multiplatform的实现方式,能够在多个平台上共享业务逻辑代码,提高开发效率;③了解Kotlin在不同开发领域的应用场景,为选择合适的技术栈提供参考。; 其他说明:本文不仅提供了理论知识,还结合了大量代码案例,帮助读者更好地理解和实践Kotlin的函数式编程特性和跨平台开发能力。建议读者在学习过程中动手实践代码案例,以加深理解和掌握。
内容概要:本文深入探讨了利用历史速度命令(HVC)增强仿射编队机动控制性能的方法。论文提出了HVC在仿射编队控制中的潜在价值,通过全面评估HVC对系统的影响,提出了易于测试的稳定性条件,并给出了延迟参数与跟踪误差关系的显式不等式。研究为两轮差动机器人(TWDRs)群提供了系统的协调编队机动控制方案,并通过9台TWDRs的仿真和实验验证了稳定性和综合性能改进。此外,文中还提供了详细的Python代码实现,涵盖仿射编队控制类、HVC增强、稳定性条件检查以及仿真实验。代码不仅实现了论文的核心思想,还扩展了邻居历史信息利用、动态拓扑优化和自适应控制等性能提升策略,更全面地反映了群体智能协作和性能优化思想。 适用人群:具备一定编程基础,对群体智能、机器人编队控制、时滞系统稳定性分析感兴趣的科研人员和工程师。 使用场景及目标:①理解HVC在仿射编队控制中的应用及其对系统性能的提升;②掌握仿射编队控制的具体实现方法,包括控制器设计、稳定性分析和仿真实验;③学习如何通过引入历史信息(如HVC)来优化群体智能系统的性能;④探索中性型时滞系统的稳定性条件及其在实际系统中的应用。 其他说明:此资源不仅提供了理论分析,还包括完整的Python代码实现,帮助读者从理论到实践全面掌握仿射编队控制技术。代码结构清晰,涵盖了从初始化配置、控制律设计到性能评估的各个环节,并提供了丰富的可视化工具,便于理解和分析系统性能。通过阅读和实践,读者可以深入了解HVC增强仿射编队控制的工作原理及其实际应用效果。
### SWUST OJ 794 题目分析 SWUST OJ 794 的题目通常涉及动态规划或贪心算法的应用。虽然具体题目未提供,但从常见的题型来看,这类问题可能围绕背包问题、序列优化或其他经典的组合优化模型展开。 #### 动态规划的核心思想 动态规划是一种通过分解子问题并保存中间结果来解决复杂问题的方法。其核心在于定义状态转移方程以及初始化条件。例如,在引用中的买家问题中,状态转移方程被定义为: \[ a[i][v] = \max(a[i-1][v], a[i-1][v-w[i]]+c[i]) \] 这表示当前状态下最优解由前一状态的最大值决定,或者从前一状态减去物品重量后的价值加上当前物品的价值得到[^1]。 如果 SWUST OJ 794 是类似的背包问题,则可以采用相似的状态转移逻辑。假设 \( dp[j] \) 表示容量为 \( j \) 时能获得的最大收益,那么状态转移方程可能是: \[ dp[j] = \max(dp[j], dp[j - weight[i]] + value[i]) \] 其中 \( weight[i] \) 和 \( value[i] \) 分别代表第 \( i \) 件商品的重量和价值。 --- #### 贪心策略的可能性 另一种常见方法是贪心算法。如果 SWUST OJ 794 属于区间覆盖、活动安排等问题,则可以通过局部最优选择实现全局最优。例如,引用中的 Coin-row Problem 使用了贪心的思想,即每次取两个连续位置之间的较大值作为下一步的选择依据[^2]。 对于此类问题,代码框架一般如下所示: ```cpp #include <iostream> #include <vector> using namespace std; int main() { int n; cin >> n; vector<int> values(n); for (int i = 0; i < n; ++i) { cin >> values[i]; } if (n == 0) { cout << 0 << endl; return 0; } vector<int> dp(n, 0); dp[0] = values[0]; if (n >= 2) dp[1] = max(values[0], values[1]); for (int i = 2; i < n; ++i) { dp[i] = max(dp[i - 1], dp[i - 2] + values[i]); } cout << dp[n - 1] << endl; return 0; } ``` 该代码实现了基于贪心原则的动态规划求解过程,适用于某些特定场景下的最优化问题--- #### 可能的边界情况处理 无论使用哪种方法,都需要特别注意边界的设定与异常输入的处理。例如: - 当输入为空集合时,应返回零或提示无解; - 对于负权值的情况,需重新评估是否允许选取这些项目; - 如果存在重复计算的风险,可通过记忆化技术减少冗余操作。 以上几点均有助于提高程序鲁棒性和效率。 --- ### 结论 针对 SWUST OJ 794 的解答路径取决于实际问题描述。如果是典型的背包类问题,推荐运用动态规划;若是更倾向于局部决策累积成整体效果的情形下,则考虑引入贪心机制更为合适。最终方案还需结合具体的约束条件进一步细化调整。
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