P1629 邮递员送信 最短路(一对多,多对一

该博客讲解了如何解决一个涉及有向图的一对多问题,通过反向存储边并转换为一对多形式,使用优先队列求解最短路径。作者详细展示了从两个起点到所有节点的最短距离计算过程。

题目:
在这里插入图片描述
思路:
这道题是一对多和多对一,一对多的问题笔记好解决,一对多的是第一次碰到。因为这道题里给的是有向图,所以不妨把所有的路反向存一遍,比如a->b存成b->a,然后就又变成了一对多问题。

#include<cstdio>
#include <iostream>
#include<cstring>
#include<algorithm>
#include <vector>
#include <cmath>
#include <queue>
using namespace std;
const int maxn=1111;
struct node
{
    int x,dis;
    bool operator >(const node &a)const
    {
        if(dis==a.dis) return x<a.x;
        return dis>a.dis;
    }
};
priority_queue <node,vector<node>,greater<node>> q,q1;
typedef pair<int,int> pii;
vector <pii> e[100*maxn],e1[100*maxn];
int n,m,s,day[maxn],dis[maxn];
bool vis[maxn];
int main()
{
	cin>>n>>m;
    for(int i=1;i<=m;i++)
    {
        int x,y,w;
        cin>>x>>y>>w;
        if(x==y) continue;
        e[x].push_back({y,w});
        e1[y].push_back({x,w});
    }
    memset(dis,0x3f,sizeof(dis));
    dis[1]=0;
    q.push({1,0});
    while(!q.empty())
    {
        int temp=q.top().x;
        q.pop();
        if(vis[temp]) continue;
        vis[temp]=1; //cout<<"!!"<<temp<<endl;
        for(auto to:e[temp])
        {
            dis[to.first]=min(dis[to.first],dis[temp]+to.second);
            //cout<<"to.first="<<to.first<<" "<<"dis[to.first]"<<dis[to.first]<<endl;
            q.push({to.first,dis[to.first]});
        }
    }
    int ans=0;
    for(int i=1;i<=n;i++) ans+=dis[i];
    for(int i=1;i<=n;i++) vis[i]=0;
    memset(dis,0x3f,sizeof(dis));
    dis[1]=0;
    q1.push({1,0});
    //for(auto to:e1[1]) cout<<"to.first="<<to.first<<" "<<"dis[to.first]"<<dis[to.first]<<endl;
    while(!q1.empty())
    {
        int temp=q1.top().x;
        q1.pop();
        if(vis[temp]) continue;
        vis[temp]=1; //cout<<"!!"<<temp<<endl;
        for(auto to:e1[temp])
        {
            //cout<<"to.first="<<to.first<<" "<<"dis[to.first]"<<dis[to.first]<<endl;
            dis[to.first]=min(dis[to.first],dis[temp]+to.second);
            q1.push({to.first,dis[to.first]});
        }
    }
    for(int i=1;i<=n;i++) ans+=dis[i];
    cout<<ans<<endl;
	return 0;
}

### Python 实现邮递员送信功能的模拟 要实现类似于“邮递员送信”的功能,可以将其抽象为旅行商问题 (Traveling Salesman Problem, TSP)[^1] 或者短路径问题[^4]。这类问题是经典的组合优化问题之一,在实际应用中可以通过算法来求解。 #### 使用遗传算法解决 TSP 问题 一种常见的方法是采用 **遗传算法** 来寻找近似优解。以下是基于遗传算法的一个简化版本: ```python import random import numpy as np def generate_cities(num_cities): """随机生成城市的坐标""" cities = {i: (random.uniform(0, 1), random.uniform(0, 1)) for i in range(num_cities)} return cities def calculate_distance(city_a, city_b): """计算两个城市之间的欧几里得距离""" xa, ya = city_a xb, yb = city_b return ((xa - xb)**2 + (ya - yb)**2)**0.5 def fitness_function(individual, cities): """适应度函数:总路程越短越好""" total_distance = 0 for idx in range(len(individual)): from_city_idx = individual[idx] to_city_idx = individual[(idx + 1) % len(individual)] total_distance += calculate_distance(cities[from_city_idx], cities[to_city_idx]) return 1 / total_distance def crossover(parent1, parent2): """单点交叉操作""" point = random.randint(0, len(parent1)) child = [-1] * len(parent1) # 复制父代的部分基因到子代 child[:point] = parent1[:point] # 填充剩余部分 pointer = point while any(x == -1 for x in child): if parent2[pointer] not in child: first_empty_position = child.index(-1) child[first_empty_position] = parent2[pointer] pointer = (pointer + 1) % len(parent2) return child def mutate(individual, mutation_rate=0.01): """变异操作""" for swap_i in range(len(individual)): if random.random() < mutation_rate: swap_j = int(random.random() * len(individual)) individual[swap_i], individual[swap_j] = individual[swap_j], individual[swap_i] return individual def genetic_algorithm(population_size, num_generations, num_cities, mutation_rate=0.01): """遗传算法主程序""" cities = generate_cities(num_cities) population = [list(np.random.permutation(list(range(num_cities)))) for _ in range(population_size)] best_individual = None best_fitness = float('-inf') for generation in range(num_generations): new_population = [] # 计算当前种群的适应度并选择优秀个体 fitness_scores = [(fitness_function(indiv, cities), indiv) for indiv in population] sorted_population = [indiv for _, indiv in sorted(fitness_scores, key=lambda x: x[0], reverse=True)] current_best = sorted_population[0] current_best_fitness = fitness_function(current_best, cities) if current_best_fitness > best_fitness: best_fitness = current_best_fitness best_individual = current_best # 进行繁殖过程 elite_count = max(int(0.1 * population_size), 1) # 精英策略保留前几名 new_population.extend(sorted_population[:elite_count]) while len(new_population) < population_size: parent1 = random.choice(sorted_population[:int(population_size*0.3)]) # 更倾向于选优胜个体 parent2 = random.choice(sorted_population[int(population_size*0.7):]) offspring = crossover(parent1, parent2) mutated_offspring = mutate(offspring, mutation_rate) new_population.append(mutated_offspring) population = new_population return best_individual, best_fitness, cities if __name__ == "__main__": result_path, result_fitness, generated_cities = genetic_algorithm( population_size=100, num_generations=500, num_cities=10, mutation_rate=0.01 ) print("佳路径:", result_path) print("适应度分数(倒数总距离):", result_fitness) ``` 上述代码实现了通过遗传算法找到一条接近于全局优的路径。其中的关键步骤包括: - 编码阶段:将每条可能的路径表示为一个排列数组。 - 解码阶段:根据该排列计算对应的路径长度作为目标函数的一部分。 - 遗传操作:包括选择、交叉和变异三个主要环节。 #### 关键概念解释 - **编码与解码**: 将问题中的可行解转化为计算机可处理的形式[^2]。 - **适应度函数**: 定义衡量解决方案质量的标准,通常是小化或大化某个指标。 - **遗传操作**: 包括选择更优秀的个体参与下一代繁衍以及引入一定的随机性以探索新的可能性。 --- ###
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