CCF-CSP第38次认证第二题——机器人复健指南(满分题解)

题目背景

西西艾弗岛某山脉深处出土了一台远古机器人,具体年代已不可考。初步修缮后,研究人员尝试操控机器人进行些简单的移动。

题目描述

整个实验场地被划分为 n×n个方格,从 (1,1) 到 (n,n) 进行编号。机器人只能在这些方格间移动,不能走出场地范围。 如下图所示,假设机器人当前位于 (x,y),那么接下来可以向周围八个方向跳跃移动(如果目标方格在场地范围内):

若机器人只能跳动不超过 k 步,场地内有多少方格(包括起始位置)可以抵达?

输入格式

从标准输入读入数据。

输入的第一行包含空格分隔的两个正整数 n 和 k,分别表示场地大小和跳动步数。

输入的第二行包含空格分隔的两个正整数 x 和 y,表示机器人的起始位置(保证位于场地内)。

输出格式

输出到标准输出。

输出一个整数,表示 k 步内可以抵达的方格总数。

样例1输入

4 1 1 1 

样例1输出

3 

样例2输入

4 2 1 1 

样例2输出

8 

样例2解释

如下图所示,初始位置、第一步和第二步跳跃抵达的位置总计为 8。

子任务

80% 的测试数据满足:k≤3;

全部的测试数据满足:n、k 均大于 0 且不超过 100。

题解

可以使用BFS或DFS进行搜索。在DFS实现中,步数作为递归函数的参数传递;而在BFS实现中,步数需要作为队列元素的附加参数存储。

实现细节

dx 和 dy 数组分别表示移动方向,st 数组用于记录访问状态,全局变量 cnt 统计已访问节点的数量。需要特别处理边界判断,同时统计的节点数包括所有经过的位置,而不仅仅是终点。

代码

#include<bits/stdc++.h> using namespace std; const int N=110; int n,k,x,y; int a[N][N]; bool st[N][N]; int dx[8]={1,2,1,2,-1,-2,-1,-2},dy[8]={2,1,-2,-1,2,1,-2,-1}; int cnt; void dfs(int x,int y,int num){ st[x][y]=true; cnt++; if(num==k)return; for(int i=0;i<8;i++){ int a=x+dx[i],b=y+dy[i]; if(a<1||a>n||b<1||b>n)continue; if(!st[a][b]){ dfs(a,b,num+1); } } } int main(){ cin>>n>>k>>x>>y; dfs(x,y,0); cout<<cnt; } 

Read more

无人机植物病害目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务

无人机植物病害目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务

无人机植物病害目标检测数据集(1500 张图片已划分、已标注)| AI训练适用于目标检测任务 引言 随着人工智能技术的快速发展,计算机视觉在农业领域的应用越来越广泛。尤其是在精准农业和智慧农业的发展背景下,通过自动化技术对农作物进行实时监测和病害识别,已经成为现代农业管理的重要方向。传统的农业巡检主要依赖人工观察,这种方式不仅效率较低,而且在大面积农田环境中难以做到持续、全面、精准的监测。 近年来,无人机遥感技术与深度学习算法的结合,为农业智能监测提供了全新的解决方案。无人机可以在短时间内对大范围农田进行低空巡检,获取高分辨率农田图像,而基于目标检测模型的视觉算法则能够自动识别作物健康状况、病害区域以及异常生长情况。 为了支持相关算法研究与工程应用,本文整理并发布 无人机植物病害目标检测数据集(1500+张图像)。该数据集面向 农业病害识别、作物健康状态评估以及无人机巡检算法训练 等任务构建,适用于 YOLO、Faster R-CNN、SSD 等主流目标检测模型训练。 本文将对该数据集进行详细介绍,包括数据来源、数据结构、标注方式、适用任务以及在智慧农业中的应用价值。

Dify平台接入CosyVoice3 API:打造低代码语音生成SaaS服务

Dify平台接入CosyVoice3 API:打造低代码语音生成SaaS服务 在智能内容创作和个性化交互需求爆发的今天,企业与开发者越来越需要一种既能快速上线、又具备高度定制能力的语音合成方案。传统的TTS系统往往依赖专业算法团队进行模型训练与部署,周期长、成本高;而市面上许多闭源语音API虽然开箱即用,却难以满足方言支持、情感控制等复杂场景。 有没有可能让一个不懂Python、没碰过GPU服务器的人,也能在半小时内搭建出支持“四川话+兴奋语气”的语音克隆应用?答案是肯定的——通过将开源语音模型 CosyVoice3 与低代码AI平台 Dify 深度集成,我们正迎来语音生成服务的平民化时代。 CosyVoice3:不只是语音克隆,更是声音的理解与再现 FunAudioLLM团队推出的 CosyVoice3 不是一个简单的文本转语音工具,它更像是一个“声音理解引擎”。它的核心突破在于:仅需3秒音频样本,就能捕捉说话人的音色特征、语调习惯甚至地域口音,并在此基础上实现高质量的跨语言、跨风格语音生成。 这背后的技术逻辑并不复杂,但设计极为精巧。整个流程分为两个阶段: 1. 声

【Windows安装openclaw,配置qwen模型和ollama本地模型,飞书群组添加机器人】

【Windows安装openclaw,配置qwen模型和ollama本地模型,飞书群组添加机器人】

Windows11安装OpenClaw,配置千问Qwen模型及配置服务器本地模型Ollama,接入飞书机器人 * 第一步、安装Nodejs * 第二步、安装Git * 第三步、安装Openclaw * 配置本地大模型 * 第四步、配置飞书 第一步、安装Nodejs 1、减少后续各种报错情况,先安装Nodejs,下载地址:https://nodejs.org/zh-cn/download,选择对应操作系统,24版本太新,有些依赖不适配,本文选择22.22.0版本,node-v22.22.0-x64.msi 直接双击安装即可。 2、安装完成看一下版本信息,用管理员权限打开win的PowerShell 3、执行 node -v 第二步、安装Git 1、安装Git 访问地址 https://git-scm.com/install/

AirSim无人机仿真入门(一):实现无人机的起飞与降落

AirSim无人机仿真入门(一):实现无人机的起飞与降落

概述: 安装好所需要的软件和环境,通过python代码控制无人机进行起飞和降落。 参考资料: 1、知乎宁子安大佬的AirSim教程(文字教程,方便复制) 2、B站瑜瑾玉大佬的30天RL无人机仿真教程(视频教程,方便理解) 3、AirSim官方手册(资料很全,不过是纯英文的) AirSim无人机仿真入门(一):实现无人机的起飞与降落 * 1 安装AirSim * 1.1 参考教程 * 1.2 内容梳理 * 1.3 步骤总结 * 2 开始使用 AirSim * 2.1 参考教程 * 2.2 内容梳理 * 2.3 步骤总结 * 3 撰写python控制程序 * 3.1 参考教程 * 3.2 内容梳理