《动态规划》Problem F. 最勇敢的机器人

本文介绍了一个关于机器人在考虑物品间潜在冲突的情况下,如何通过并查集和动态规划解决0/1背包问题以最大化收益的问题。该问题要求机器人在携带物品时避免因物品间的不兼容性导致的损失。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Problem F. 最勇敢的机器人

时间限制 1000 ms
内存限制 128 MB

题目描述

机器人们都想知道谁是最勇敢的,于是它们比赛搬运一些物品。
它们到了一个仓库,里面有n个物品,每个物品都有一个价值Pi和重量Wi,但是有些物品放在一起会爆炸,并且爆炸具有传递性。(a和b会爆炸、b和c会爆炸则a和c会爆炸)
机器人们可不想因此损失自己好不容易从Wind那里敲诈来的装备,于是它们想知道在能力范围内,它们最多可以拿多少价值的物品。
你能帮助它们吗?

输入数据

每组测试数据
第 11 行为 n,Wmax,k (0≤n,Wmax,k≤1000)n,Wmax,k (0≤n,Wmax,k≤1000) 
接下来 nn 行,为每个物品的 Pi,Wi (0≤Pi≤1000,1≤Wi≤10,Pi,Wi (0≤Pi≤1000,1≤Wi≤10, 均为整数)
再接下来 kk 行,每行 22 个数字 a,ba,b 表示 aa 和 bb 会发生爆炸

输出数据

对每组数据输出 11 行
为最大可能价值

样例输入

3 10 1
100 1
200 5
10 5
1 2

样例输出

210

思路解析:

先并查集确定划分为组,然后根据每组的情况,进行0,1背包问题的动态规划。

AC代码:

#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<algorithm>
#include<cstring>
#include<string>
#include<stack>
#include<queue>
#include<set>
#include<map>
#include<cmath>
#include<vector>
#include<string>
#define INF 0x7FFFFFFF //int 最大值
#define maxSize 1000

using namespace std;

int n,Wmax,k,sum;
int root[maxSize+5];
int dp[maxSize+5][maxSize+5];
int a,b;//输入放在一起会爆炸的项
struct Good{
    int p;
    int w;
};
Good good[maxSize+5];
vector<vector<int>>rIndex;//rIndex不是很紧凑的Vector
vector<vector<int>>Index;//紧凑Vector

int findRoot(int x)
{
    while(x!=root[x])
        x=root[x];
    return x;
}
void unionNode(int x,int y)
{
    int rootX=findRoot(x);
    int rootY=findRoot(y);
    if(rootX!=rootY)
        root[rootX]=rootY;
    return;
}


int main()
{
    cin>>n>>Wmax>>k;

    //并查集分类
    for(int i=1;i<=n;i++)//从1开始
    {
        cin>>good[i].p>>good[i].w;
        root[i]=i;
    }
    for(int i=0;i<k;i++)
    {
        cin>>a>>b;
        unionNode(a,b);
    }

    //将所有的物品按根节点划分
    for(int i=0;i<=n;i++)//初始化
    {
        vector<int>v;
        rIndex.push_back(v);
    }
    for(int i=1;i<=n;i++)//将所有root相同的点保存到一个vector中
        rIndex[findRoot(i)].push_back(i);

    for(int i=0;i<=n;i++)//为便于访问,此时,将vector紧凑化 显然Index.size()就是所有可被选择的物品的数量,可能对于某个物品有多个互斥的候选
    {
        if(rIndex[i].size()==0)
            continue;
        Index.push_back(rIndex[i]);
    }

    //动态规划 背包问题
    for(int i=0;i<n;i++)//初始化dp数组
    {dp[i][0]=0;dp[0][i]=0;}

    for(int i=1;i<=Index.size();i++)
    {
        for(int j=1;j<=Wmax;j++)
        {
            dp[i][j]=dp[i-1][j];
            for(int k=0;k<Index[i-1].size();k++)//用每一个可能的选项更新dp vector从0开始
                if(j>=good[Index[i-1][k]].w)
                    dp[i][j]=max(dp[i][j],dp[i-1][j-good[Index[i-1][k]].w]+good[Index[i-1][k]].p);
        }
    }

    cout<<dp[Index.size()][Wmax]<<endl;
    return 0;
}

 再提一点:

思路简单,就是划分组的时候,需要注意一下,Vector真的好用。

### NSGA-III算法用于机器人路径规划 NSGA-III (Non-dominated Sorting Genetic Algorithm III) 是一种多目标优化算法,在处理具有多个冲突目标的复杂问题方面表现出色。对于机器人路径规划而言,通常涉及小化路径长度、避开障碍物以及减少能量消耗等多个目标。 #### 算法原理概述 该方法通过引入参考点来指导解集向帕累托前沿分布,从而能够有效地解决高维多目标优化问题[^1]。具体来说: - **初始化种群**:随机生成一组可行路径作为初始种群; - **评估适应度函数**:计算每条路径对应于各个目标的性能指标; - **选择操作**:基于快速非支配排序机制挑选优质个体进入下一代; - **交叉变异**:模拟生物进化过程中的遗传现象产生新后代; - **环境选择**:综合考虑当前世代优解与新生代成员构建新的父本群体; #### Python实现示例 下面给出一段简单的Python代码框架,展示了如何利用`pymoo`库实现基本版NSGA-III并应用于二维平面内的简单场景下的移动机器人路径规划任务中: ```python from pymoo.algorithms.moo.nsga3 import NSGA3 from pymoo.optimize import minimize from pymoo.problems.multi import ZDT1 from pymoo.visualization.scatter import Scatter import numpy as np class RobotPathPlanningProblem(): """定义机器人的路径规划问题""" def __init__(self, start_point=(0., 0.), end_point=(5., 5.)): self.start = np.array(start_point) self.end = np.array(end_point) def _evaluate(self, X): # 这里可以加入更复杂的评价标准比如碰撞检测等逻辑 distance_to_goal = ((X[:, :2]-self.end)**2).sum(axis=1) energy_consumption = abs(X.sum(axis=1)) return np.column_stack([distance_to_goal, energy_consumption]) problem = RobotPathPlanningProblem() algorithm = NSGA3(pop_size=100, ref_dirs=np.linspace(0, 1, 7)) res = minimize(problem, algorithm, ('n_gen', 20), seed=1, verbose=False) Scatter().add(res.F).show() ``` 此段程序仅提供了一个非常基础的概念验证版本,实际应用时还需要针对特定应用场景调整模型参数设置,并增加更多约束条件如避障策略等。
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