P1004 [NOIP2000 提高组] 方格取数(四维DP/三维)

一个地图,走一次之后权值被取走,再走一次,求两次之和最大。

如果只走一次,显然是DP, (二维DP),f[i][j]表示走到(i,j)时最大权值,但是DP一次只能求得最优解,不能记录走了哪些格子。

我们不妨两次路径同时考虑,f[x][y][k][l]表示第一次走到(x,y),第二次走到(k,l)的最优解,状态转移从四种方案中选择(第一次向下/右,第二次向下/右),再加上(x,y)和(k,l)的权值,注意如果这两个点相同,只加一次,因为走了一次已经被取走了,这样就可以保证后面的结果不会出现重复加的情况。

#include <bits/stdc++.h>
using namespace std;
int f[10][10][10][10];
int n, a[10][10];
int main() {
	cin >> n;
	while (1) {
		int x, y, k;
		cin >> x >> y >> k;
		if (x == 0) break;
		a[x][y] = k;
	}
	for (int i = 1; i <= n; i ++)
		for (int j = 1; j <= n; j ++)
			for (int k = 1; k <= n; k ++)
				for (int l = 1; l <= n; l ++) {
					f[i][j][k][l] = max(max(f[i - 1][j][k - 1][l], f[i - 1][j][k][l - 1]), max(f[i][j - 1][k - 1][l], f[i][j - 1][k][l - 1])) + a[i][j] + a[k][l];
					if (i == k && j == l) f[i][j][k][l] -= a[i][j];
				}
	cout << f[n][n][n][n];
}

如果本题数据范围再大点,n^4太高,考虑降维。

两种方案同时进行,走的相同步数k,x+y=k,知道一个坐标通过k可以求出另一个,所以可以降为三维,f[k][y1][y2]是两次都走了k步,分别走到纵坐标y1,y2的最优解。再判断重复。

#include <bits/stdc++.h>
using namespace std;
int n, a[10][10], f[20][10][10];
int main() {
	cin >> n;
	while (1) {
		int x, y, k;
		cin >> x >> y >> k;
		if (x == 0) break;
		a[x][y] = k;
	}
	for (int k = 1; k <= 2 * n; k ++) 
		for (int i = 1; i <= min(k, n); i ++)
			for (int j = 1; j <= min(k, n); j ++) {
				f[k][i][j] = max(max(f[k - 1][i][j], f[k - 1][i - 1][j]), max(f[k - 1][i][j - 1], f[k - 1][i - 1][j - 1])) + a[k - i][i] + a[k - j][j];
				if (i == j) f[k][i][j] -= a[k - i][i];
			}
	cout << f[2 * n][n][n];
}

### NOIP 2000 提高 方格问题分析 该问题属于经典的动态规划类题目,目标是在给定的一个二维矩阵中选若干个不相邻的字使得总和最大。此问题可以通过状态移的方式解决。 #### 动态规划的核心思路 定义 `dp[i][j]` 表示到达第 `i` 行第 `j` 列时能够得的最大值之和[^1]。由于每次移动仅能向右或者向下,因此可以得出如下状态移方程: 对于任意位置 `(i, j)` 的状态更新方式为: \[ dp[i][j] = \text{matrix}[i][j] + \max(dp[i-1][j], dp[i][j-1]) \] 其中需要注意边界条件处理以及初始值设定。当处于第一行或第一列时,路径的选择会受到限制[^2]。 #### 边界情况考虑 如果当前单元位于网格的第一行,则只能由左侧进入;同理,若当前位置处在首列,则唯一可能来自上方。这些特殊情况需单独初始化以确保计算准确性[^3]。 ```python def max_sum(matrix): m, n = len(matrix), len(matrix[0]) # 初始化 DP 数组 dp = [[0]*n for _ in range(m)] # 设置起点 dp[0][0] = matrix[0][0] # 填充第一行 for j in range(1, n): dp[0][j] = dp[0][j-1] + matrix[0][j] # 填充第一列 for i in range(1, m): dp[i][0] = dp[i-1][0] + matrix[i][0] # 完成剩余部分填充 for i in range(1,m): for j in range(1,n): dp[i][j] = max(dp[i-1][j], dp[i][j-1]) + matrix[i][j] return dp[-1][-1] ``` 以上代码片段展示了如何通过构建辅助数组来记录每一步的最佳决策过程,并最终返回全局最优解。 #### 复杂度评估 时间复杂度主要决于遍历整个输入矩阵所需的操作次,即 O(M*N),这里 M 和 N 分别代表矩阵的高度与宽度。空间复杂度同样为 O(M*N),因为我们需要额外的空间存储中间结果以便后续访问[^4]。
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