HDU 1548 A strange lift

BFS与Dijkstra算法在路径查找中的应用
本文详细介绍了使用BFS和Dijkstra算法解决路径查找问题的方法,包括算法实现步骤、核心思想和实际应用案例。通过对比两种算法在不同场景下的效率和适用性,为读者提供了一种高效解决路径查找问题的策略。

代码bfs:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<queue>
using namespace std;
int n,A,B;
int lift[205];
bool vis[205];
int step[1005],loc[1005];
queue<int> q;
bool dis(int x)
{
    if(x>=1&&x<=n)
        return true;
    return false;
}
int BFS()
{
    int front,tail;
    front=tail=0;
    loc[front++]=A;
    int up,down;
    while(front>tail)
    {
        int x=loc[tail++];
     //   cout<<x<<endl;
        if(x==B) break;
        up=x+lift[x];
        down=x-lift[x];
        if(!vis[up]&&dis(up))
        {
            vis[up]=true;
            loc[front++]=up;
            step[up]=step[x]+1;
        }
        if(!vis[down]&&dis(down))
        {
            vis[down]=true;
            loc[front++]=down;
            step[down]=step[x]+1;
        }
    }
    return step[B];
}
int main()
{
    while(scanf("%d",&n)!=EOF&&n)
    {
        scanf("%d%d",&A,&B);
        memset(lift,0,sizeof(lift));
        int i,j;
        for(i=1;i<=n;i++)
        {
            scanf("%d",&lift[i]);
            vis[i]=false;
            step[i]=0;
        }

        if(A==B) printf("0\n");
        else
        {
            int ans=BFS();
            if(ans==0) printf("-1\n");
            else
            {

                printf("%d\n",ans);
            }
        }
    }
    return 0;
}



代码 Dijskra:

#include <iostream>
#include <cstdio>
#include <cstring>
#define INF 0x7ffff
using namespace std;
int n,A,B;
int dp[205][205];
int lift[205],dis[10005];
bool vis[10005];
void Dij()
{
    int i;
    for(i=0;i<=n;i++)
    {
        dis[i]=dp[A][i];
      //  cout<<dis[i]<<endl;
        vis[i]=true;
    }
    vis[A]=false;
    dis[A]=0;
    int min,k;
    for(i=1;i<=n;i++)
    {
        min=INF;
        for(int j=1;j<=n;j++)
        {
            if(vis[j]&&min>dis[j])
            {
                min=dis[j];
                k=j;
            }
        }

        if(min==INF) break;
        vis[k]=false;
        for(int j=1;j<=n;j++)
        {
            if(vis[j]&&dis[k]+dp[k][j]<dis[j])
            {
                dis[j]=dis[k]+dp[k][j];
            }
        }
    }

}
int main()
{
    while(scanf("%d",&n)!=EOF&&n)
    {
        scanf("%d%d",&A,&B);
        int i,j;
        for(i=0;i<=n;i++)
            for(j=0;j<=n;j++)
            dp[i][j]=INF;
        for(i=1;i<=n;i++)
        {
            scanf("%d",&lift[i]);
            if(i-lift[i]>0) dp[i][i-lift[i]]=1;
            if(i+lift[i]<=n) dp[i][i+lift[i]]=1;
        }
        Dij();
        if(dis[B]==INF) printf("-1\n");
        else
            printf("%d\n",dis[B]);
    }
    return 0;
}



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深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,为深入解析大气中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,并在深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深度学习技术,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