POJ 2697 A Board Game

本文介绍了一种使用广度优先搜索算法解决八数码问题的方法。通过定义状态结构体和运用map进行状态判重,实现了从初始状态到目标状态的有效路径搜索。文章详细展示了算法流程,并提供了完整的C++实现代码。

我是直接用map 来判重的

#define fi freopen("in.txt","r",stdin)
#include <stdio.h>   
#include <iostream>
#include <string.h>   
#include <cmath>
#include <vector>
#include <set>
#include <map>
#include <algorithm>   
#include <string>
using namespace std;
/*my_template*/
/*data type*/
typedef pair<int,int> pii;
typedef long long ll; typedef double dl;
typedef vector<pii> vii;
typedef set<pii> sii;
/*sim_operarion*/
#define sfint(x) scanf("%d",&x)
#define sfint2(x,y) scanf("%d%d",&x,&y)
#define sfint3(x,y,z) scanf("%d%d%d",&x,&y,&z)
#define sfstr(c) scanf("%s",c)
#define pfint(x) printf("%d\n",x)
#define fr(i,s,n) for(i=s;i<n;++i)
#define _fr(i,n,s) for(i=n-1;i>=s;--i)
#define cl(a) memset(a,0,sizeof(a))
/*bitmask*/
#define _ni(x) (1<<(x))
#define _niL(x) (1LL<<(x))
#define _has(s,x) ((s&(_ni(x)))!=0)
#define _hasL(s,x) ((s&(_niL(x)))!=0LL)
template<class T> inline T _lowbit(const int &x){ return (x^(x-1))&x; }  
template<class T> inline int _bitsize(const T &x){ return (x==0)?0:(1+_bitsize(x&(x-1))); }
/*CONST VALUE*/
const dl _pi=acos(-1.0);
const dl _eps=1e-6;
/*my_template*/

struct State{
	char s[17];
	int dep;
	char c;
}st,goal;

map<string,int> mp;
int d[8][2] = {{-1,-1},{-1,0},{-1,1},{0,-1},{0,1},{1,-1},{1,0},{1,1}};
State q[2000000];
int tot=0;
bool in(int x,int y){
	return x>=0&&x<4 && y>=0&&y<4;
}
int bfs(){
	int f=0,r=1,i,j,x,y,gox,goy,tmp;
	State  cur,nxt;
	st.dep = 0;q[0] = st;

	while(f!=r){
		cur = q[f++];
		fr(i , 0,16){
			if (cur.c == cur.s[i]){
				x = i/4;y = i%4;
				fr(j ,0,8){
					gox = x+d[j][0];
					goy = y+d[j][1];
					if (in(gox,goy) && cur.s[gox*4+goy] == '*'){
						while( in(gox,goy) && cur.s[gox*4+goy] == '*'){
							gox+=d[j][0];
							goy+=d[j][1];
						}
						gox -= d[j][0];goy-=d[j][1];
						nxt = cur;
						swap(nxt.s[x*4+y],nxt.s[gox*4+goy]);
						if (cur.c == 'w') nxt.c='b';else nxt.c='w';
						tmp = mp[nxt.s];
						if (tmp == 0 ){
							nxt.dep++;
							mp[nxt.s] = tot++;
							q[r++] = nxt;
						}
						else if (tmp ==1){
							return nxt.dep+1;
						}
					}
				}
			}
		}
	}
	return -1;
}
void solve(){
	tot=2;mp[goal.s] = 1;
	mp[st.s] = tot++;
	st.c = 'w';
	int ans = bfs();
	printf("%d\n",ans);
}
int main(){
	int T;
	sfint(T);
	while(T--){
		sfstr(st.s);sfstr((st.s+4));sfstr((st.s+8));sfstr((st.s+12));
		sfstr(goal.s);sfstr((goal.s+4));sfstr((goal.s+8));sfstr((goal.s+12));
		solve();
	}
	return 0;
}


先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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