最小体力消耗路径(算法)

2023-10-11 20:30

本文主要是介绍最小体力消耗路径(算法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 最小体力消耗路径(算法)
    • 题目描述
    • 思路分析一
    • 思路分析二
    • 最短路径Code
    • 并查集Code

最小体力消耗路径(算法)

题目描述

你准备参加一场远足活动。给你一个二维 rows x columns 的地图 heights ,其中 heights[row][col] 表示格子 (row, col) 的高度。一开始你在最左上角的格子 (0, 0) ,且你希望去最右下角的格子 (rows-1, columns-1) (注意下标从 0 开始编号)。你每次可以往 上,下,左,右 四个方向之一移动,你想要找到耗费 体力 最小的一条路径。

一条路径耗费的 体力值 是路径上相邻格子之间 高度差绝对值 的 最大值 决定的。

请你返回从左上角走到右下角的最小 体力消耗值

image.png

输入:heights = [[1,2,2],[3,8,2],[5,3,5]]
输出:2
解释:路径 [1,3,5,3,5] 连续格子的差值绝对值最大为 2 。
这条路径比路径 [1,2,2,2,5] 更优,因为另一条路径差值最大值为 3 。

image.png

输入:heights = [[1,2,3],[3,8,4],[5,3,5]]
输出:1
解释:路径 [1,2,3,4,5] 的相邻格子差值绝对值最大为 1 ,比路径 [1,3,5,3,5] 更优。

image.png

输入:heights = [[1,2,1,1,1],[1,2,1,2,1],[1,2,1,2,1],[1,2,1,2,1],[1,1,1,2,1]]
输出:0
解释:上图所示路径不需要消耗任何体力。

思路分析一

最开始想用动态规划思路看看能不能解决问题,但是该题可以有四个方向移动,并不是每次都只能往下或者往右移动,dp解决不了该题

image.png
上述的例子证明了路线的选择是变化多端的,但是也引入了我的一个思考:
第一步怎么走,是从(0,0)->(0,1)还是从(0,0)->(1,0)
显然走绝对值最小的那样一个

因此现在我们已经从(0,0)走到了(1,0),变化就是我们多了一个格子,以及多了两种选择即(1,0)->(1,1),(1,0)->(2,0)

也就是说我们维护一个优先队列,每次选取最少的路线去走,就能得到当下最好的结果

随着边不断的加入队列以及被遍历,我们只要找到终点就行啦

最后暮然回首发现思想很想Djstla算法。

思路分析二

我们可以想象一下,绝对值差的越多的地方像凸起的岛屿,而这个矩阵上方在均匀的下雨,下面雨水什么时候可以吧(0,0)以及(n-1,m-1)联通在一起呢?

很明显也可以用并查集的思想解决此问题

我们设置消耗最大体力max为0,随着max的不断提升,我们就可以从一个方格移动到另一个方格之中,这些方格是联通的

知道max大到一定程度,(0,0)所在的方格也和(n-1,n-1)的方格联通即可,就是我们寻找的max

怎么转化为程序语言呢,同样可以维护一个最小堆,让所有边都进入堆中,从最小的开始不断的联通矩阵即可。如果左上角和右下角从非连通状态变为连通状态,那么这个边的长度即为答案。

最短路径Code

class Solution {int[] dis1=new int[]{1,-1,0,0};int[] dis2=new int[]{0,0,1,-1};PriorityQueue<Integer[]>queue;int max;boolean[][] array;int[][] heights;public int minimumEffortPath(int[][] heights) {queue=new PriorityQueue<>(new Comparator<Integer[]>() {@Overridepublic int compare(Integer[] o1, Integer[] o2) {return o1[0]-o2[0];}});max=0;this.heights=heights;array=new boolean[heights.length][heights[0].length];array[0][0]=true;if(array.length>1)queue.add(new Integer[]{Math.abs(heights[1][0]-heights[0][0]),1,0});if(array[0].length>1) queue.add(new Integer[]{Math.abs(heights[0][1]-heights[0][0]),0,1});while (queue.isEmpty()==false){Integer[] temp=queue.poll();max=Math.max(max,temp[0]);int curx=temp[1];int cury=temp[2];array[curx][cury]=true;if(curx==array.length-1&&cury==array[0].length-1)return max;for (int i = 0; i < dis1.length; i++) {if(curx+dis1[i]>=0&&curx+dis1[i]<heights.length&&cury+dis2[i]>=0&&cury+dis2[i]<heights[0].length){if(array[curx+dis1[i]][cury+dis2[i]])continue;queue.add(new Integer[]{Math.abs(heights[curx][cury]-heights[curx+dis1[i]][cury+dis2[i]]),curx+dis1[i],cury+dis2[i]});}}}return 0;}}

并查集Code

可以从合并的size中进行优化

    int[] dis1=new int[]{1,-1,0,0};int[] dis2=new int[]{0,0,1,-1};PriorityQueue<Integer[]>queue;int[][] father;int target;public int minimumEffortPath(int[][] heights) {father=new int[heights.length][heights[0].length];target=(heights.length-1)*1000+heights[0].length-1;queue=new PriorityQueue<>(new Comparator<Integer[]>() {@Overridepublic int compare(Integer[] o1, Integer[] o2) {return o1[0]-o2[0];}});for (int i = 0; i < heights.length; i++) {for (int j = 1; j < heights[0].length; j++) {queue.add(new Integer[]{Math.abs(heights[i][j]-heights[i][j-1]),i,j,i,j-1});}}for (int i = 0; i < heights[0].length; i++) {for (int j = 1; j < heights.length; j++) {queue.add(new Integer[]{Math.abs(heights[j-1][i]-heights[j][i]),j-1,i,j,i});}}for (int i = 0; i < heights.length; i++) {for (int j = 0; j < heights[0].length; j++) {father[i][j]=-1;}}father[0][0]=0;father[heights.length-1][heights[0].length-1]=(heights.length-1)*1000+heights[0].length-1;while (queue.isEmpty()==false){Integer[] temp=queue.poll();int max=temp[0];int f1=getFather(temp[1],temp[2]);int f2=getFather(temp[3],temp[4]);if(f1==f2)continue;if(f1==0&&f2==target||f1==target&&f2==0)return max;merge(f1,f2);}return 0;}public void merge(int f1,int f2){if(f2==0||f2==target) {father[f1/1000][f1%1000]=f2;}else{father[f2/1000][f2%1000]=f1;}}public int getFather(int x,int y){int temp=father[x][y];if(temp==-1)return x*1000+y;if(temp== x*1000+y)return temp;return getFather(temp/1000,temp%1000);}

这篇关于最小体力消耗路径(算法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/190646

相关文章

Java中的雪花算法Snowflake解析与实践技巧

《Java中的雪花算法Snowflake解析与实践技巧》本文解析了雪花算法的原理、Java实现及生产实践,涵盖ID结构、位运算技巧、时钟回拨处理、WorkerId分配等关键点,并探讨了百度UidGen... 目录一、雪花算法核心原理1.1 算法起源1.2 ID结构详解1.3 核心特性二、Java实现解析2.

SpringBoot项目配置logback-spring.xml屏蔽特定路径的日志

《SpringBoot项目配置logback-spring.xml屏蔽特定路径的日志》在SpringBoot项目中,使用logback-spring.xml配置屏蔽特定路径的日志有两种常用方式,文中的... 目录方案一:基础配置(直接关闭目标路径日志)方案二:结合 Spring Profile 按环境屏蔽关

VSCode设置python SDK路径的实现步骤

《VSCode设置pythonSDK路径的实现步骤》本文主要介绍了VSCode设置pythonSDK路径的实现步骤,包括命令面板切换、settings.json配置、环境变量及虚拟环境处理,具有一定... 目录一、通过命令面板快速切换(推荐方法)二、通过 settings.json 配置(项目级/全局)三、

使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)

《使用Python和Matplotlib实现可视化字体轮廓(从路径数据到矢量图形)》字体设计和矢量图形处理是编程中一个有趣且实用的领域,通过Python的matplotlib库,我们可以轻松将字体轮廓... 目录背景知识字体轮廓的表示实现步骤1. 安装依赖库2. 准备数据3. 解析路径指令4. 绘制图形关键

如何更改pycharm缓存路径和虚拟内存分页文件位置(c盘爆红)

《如何更改pycharm缓存路径和虚拟内存分页文件位置(c盘爆红)》:本文主要介绍如何更改pycharm缓存路径和虚拟内存分页文件位置(c盘爆红)问题,具有很好的参考价值,希望对大家有所帮助,如有... 目录先在你打算存放的地方建四个文件夹更改这四个路径就可以修改默认虚拟内存分页js文件的位置接下来从高级-

一文详解如何查看本地MySQL的安装路径

《一文详解如何查看本地MySQL的安装路径》本地安装MySQL对于初学者或者开发人员来说是一项基础技能,但在安装过程中可能会遇到各种问题,:本文主要介绍如何查看本地MySQL安装路径的相关资料,需... 目录1. 如何查看本地mysql的安装路径1.1. 方法1:通过查询本地服务1.2. 方法2:通过MyS

使用雪花算法产生id导致前端精度缺失问题解决方案

《使用雪花算法产生id导致前端精度缺失问题解决方案》雪花算法由Twitter提出,设计目的是生成唯一的、递增的ID,下面:本文主要介绍使用雪花算法产生id导致前端精度缺失问题的解决方案,文中通过代... 目录一、问题根源二、解决方案1. 全局配置Jackson序列化规则2. 实体类必须使用Long封装类3.

Springboot实现推荐系统的协同过滤算法

《Springboot实现推荐系统的协同过滤算法》协同过滤算法是一种在推荐系统中广泛使用的算法,用于预测用户对物品(如商品、电影、音乐等)的偏好,从而实现个性化推荐,下面给大家介绍Springboot... 目录前言基本原理 算法分类 计算方法应用场景 代码实现 前言协同过滤算法(Collaborativ

Python如何调用指定路径的模块

《Python如何调用指定路径的模块》要在Python中调用指定路径的模块,可以使用sys.path.append,importlib.util.spec_from_file_location和exe... 目录一、sys.path.append() 方法1. 方法简介2. 使用示例3. 注意事项二、imp

使用Python实现矢量路径的压缩、解压与可视化

《使用Python实现矢量路径的压缩、解压与可视化》在图形设计和Web开发中,矢量路径数据的高效存储与传输至关重要,本文将通过一个Python示例,展示如何将复杂的矢量路径命令序列压缩为JSON格式,... 目录引言核心功能概述1. 路径命令解析2. 路径数据压缩3. 路径数据解压4. 可视化代码实现详解1