新闻详情

新闻详情

首页 / 资讯中心 / 详情

# P1588 [USACO07OPEN] Catch That Cow S复盘

发布时间:2026/11/11 14:30:08来源:尧图网络
# P1588 [USACO07OPEN] Catch That Cow S复盘
P1588 [USACO07OPEN] Catch That Cow S 题解复盘基本信息项目内容题目编号、来源P1588 洛谷 / [USACO07OPEN] Catch That Cow S训练层级B BFS基础知识版块BFS、一维状态搜索解题前・关键信号识别维度分析目标、约束、底层结构目标从起点 x 到终点 y 的最少移动次数每次可走 p1、p-1、2p约束x,y ≤ 100000t ≤ 10底层结构一维数轴上的无权图BFS 求最短路。数据规模坐标范围 100000BFS 单次 O(MAXN)完全可行。候选算法和依据BFS依据每一步代价为 1求最少步数 无权图最短路。复杂度预判时间复杂度 O(MAXN)空间复杂度 O(MAXN)。解题后・外化复盘维度内容实现结构 / 核心思路定义dist[p]表示从起点到位置 p 的最少步数初始dist[x]0。BFS 队列中取出当前点 p对三个可能的下一个位置p-1, p1, 2p进行扩展若未访问且在有效范围内0~100000更新步数并入队。当出队位置等于终点时直接返回步数BFS 首次到达即最优。错因回溯1. 未限制坐标范围0≤p≤100000导致 2p 可能溢出或访问负坐标2. 用 DFS 导致栈溢出或无法保证最短路3. 忘记初始化 dist 数组每组数据需重置。边界和易错点1. 坐标范围0 ≤ pos ≤ 100000超出范围直接跳过2. 起点可能大于终点但 BFS 仍会搜索通过 p-1 逐步减小3. 使用memset初始化 -1。下次看到什么信号我应该想到这个方法看到「一维数轴 三种固定操作 求最少步数」用 BFS。AC 完整代码按你提供的代码#includebits/stdc.husingnamespacestd;constintMAXN100000;intdista[MAXN5];intbfs(intx,inty){memset(dista,-1,sizeof(dista));queueintq;q.push(x);dista[x]0;while(!q.empty()){intpq.front();q.pop();if(py)returndista[p];intnext[3]{p-1,p1,p*2};for(inti0;i3;i){intnpnext[i];if(np0||npMAXN)continue;if(dista[np]!-1)continue;dista[np]dista[p]1;q.push(np);}}return-1;}intmain(){intt;cint;while(t--){intx,y;cinxy;coutbfs(x,y)endl;}return0;}
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/11 13:52:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/11 15:37:39

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉