曼哈顿距离

该博客主要介绍了如何解决一个二维网格环境中,信号从各自位置出发,避开一个不可通过的bug坐标,到达同一目标位置的最短路径问题。通过对信号A、B和bug坐标的位置关系进行判断,确定最短路径是否需要绕行,从而计算出最短路径长度。题目给出了具体的输入输出示例,并提供了相应的C++代码实现。

信号之旅

时间限制:C/C++ 1秒,其他语言2秒
空间限制:C/C++ 262144K,其他语言524288K
64bit IO Format: %lld

题目描述

某天,居住在VR世界的信号们收到了一条命令,命令指明每一个城市的两个信号必须要集合在一起,
信号们立刻行动了起来。VR世界是一个二维的网格,信号们只能向上下左右四个方向进行移动,并且,
由于VR世界存在一些bug,每个城市都有一个坐标是不能被走到的,也就是说信号们必须绕开这个坐标移动。
信号们希望走最短的路线到达集合位置,它们希望你能帮忙计算出需要匹配的两个信号间最短的路径长度。

输入描述:

第一行输入一个整数t(1<=t<=10^4),代表需要配对的信号对数。
接下来对于每对信号输入三行,第一行包含两个整数xA,yA,代表信号A的坐标;
第二行包含两个整数xB,yB,代表信号B的坐标;
第三行包含两个整数xP,yP,代表bug所在的坐标;
所有的x和y满足 1<=x,y<=1000
数据保证bug所在坐标与信号A、B的坐标不同

输出描述:

输出t行,第i行表示第i对信号间的最短路径长度。

示例1

输入

7
1 1
3 3
2 2
2 5
2 1
2 3
1000 42
1000 1
1000 1000
1 10
3 10
2 10
3 8
7 8
3 7
2 1
4 1
1 1
1 344
1 10
1 1

输出

4
6
41
4
4
2
334

思路:

先看A,B,P共不共线,共线需要分情况讨论,绕过障碍物比直接过去多2步,

不共线无脑算就可以了~

代码:

#include<bits/stdc++.h>
#include<iostream>
#include<cstdio>
#include<cstdlib>
#include<cmath>
#include<cstring>

using namespace std;

int main()
{
    int xA,yA,xB,yB,xP,yP;
    int T;
    int ans;
    cin >> T;
    while(T --)
    {
        ans = 0;
        cin >> xA >> yA;
        cin >> xB >> yB;
        cin >> xP >> yP;
        
        if(xA ==xB && xB == xP && xP == xA&& yA > yB)
        {
            if(yP < yB || yP > yA)
            {
                ans = abs(yA - yB);
            }
            else if(yP > yB && yP < yA)
            {
                ans = abs(yA - yB) + 2;
            }
        }
        else if(xA == xB && xB == xP && xP == xA && yA < yB)
        {
            if(yP < yA || yP > yB)
            {
                ans = abs(yA - yB);
            }
            else if(yP > yA && yP < yB)
            {
                ans = abs(yA - yB) + 2;
            }
        }                                       //纵向完事了
        else if(yA ==yB && yB == yP && yP == yA&& xA > xB)
        {    
            if(xP < xB || xP > xA)
            {
                ans = abs(xA - xB);
            }
            else if(xP > xB && xP < xA)
            {
                ans = abs(xA - xB) + 2;
            }
        }
        else if(yA == yB && yB == yP && yP == yA&& xA < xB)
        {
            if(xP < xA || xP > xB)
            {
                ans = abs(xA - xB);
            }
            else if(xP > xA && xP < xB)
            {
                ans = abs(xA - xB) + 2;
            }
        }
        else
        {
            ans = abs(xA - xB) + abs(yA - yB);
        }
        cout << ans << endl;
    }
    return 0;
}

 

 

提供的引用内容未提及曼哈顿距离转化的方法和原理。曼哈顿距离本身是一种用于测量两个点在多维空间中的距离距离度量方法,得名于曼哈顿的街区布局,交叉点的距离通常通过水平和垂直路线测量[^1]。 一般而言,曼哈顿距离在二维空间中,对于两点 \(P_1(x_1,y_1)\) 和 \(P_2(x_2,y_2)\),其计算公式为 \(d = |x_1 - x_2|+|y_1 - y_2|\)。在多维空间中,若有两点 \(A=(a_1,a_2,\cdots,a_n)\) 和 \(B=(b_1,b_2,\cdots,b_n)\),曼哈顿距离 \(d=\sum_{i = 1}^{n}|a_i - b_i|\) 。 对于曼哈顿距离的转化,从原理上可能是为了适应特定的应用场景或算法需求。例如在某些机器学习算法中,可能需要将曼哈顿距离转化为一种更易于计算或比较的形式。一种常见的转化方式是归一化,原理是将距离值映射到一个特定的区间,如 \([0,1]\) ,方法可以使用最小 - 最大归一化,公式为 \(d_{normalized}=\frac{d - d_{min}}{d_{max}-d_{min}}\) ,其中 \(d\) 是原始的曼哈顿距离,\(d_{min}\) 和 \(d_{max}\) 分别是数据集中曼哈顿距离的最小值和最大值。 ```python import numpy as np def manhattan_distance(point1, point2): return np.sum(np.abs(np.array(point1) - np.array(point2))) def min_max_normalization(distance, min_distance, max_distance): return (distance - min_distance) / (max_distance - min_distance) # 示例数据 point_a = [1, 2, 3] point_b = [4, 5, 6] # 计算曼哈顿距离 distance = manhattan_distance(point_a, point_b) # 假设已知最小和最大距离 min_dist = 0 max_dist = 10 # 归一化曼哈顿距离 normalized_distance = min_max_normalization(distance, min_dist, max_dist) print("原始曼哈顿距离:", distance) print("归一化后的曼哈顿距离:", normalized_distance) ```
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

打赏作者

21RGHLY

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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