1377:最优乘车(travel)

本文介绍了一种算法,用于解决H城中从任意饭店到S公园的最优巴士换乘问题,通过使用Floyd算法,可以找到换乘次数最少的路径。此问题涉及到图论中的最短路径算法,对理解城市交通网络和优化旅行计划有实际应用价值。

【题目描述】

H城是一个旅游胜地,每年都有成千上万的人前来观光。为方便游客,巴士公司在各个旅游景点及宾馆,饭店等地都设置了巴士站并开通了一些单程巴士线路。每条单程巴士线路从某个巴士站出发,依次途经若干个巴士站,最终到达终点巴士站。

一名旅客最近到H城旅游,他很想去S公园游玩,但如果从他所在的饭店没有一路巴士可以直接到达S公园,则他可能要先乘某一路巴士坐几站,再下来换乘同一站台的另一路巴士, 这样换乘几次后到达S公园。

现在用整数1,2,…N 给H城的所有的巴士站编号,约定这名旅客所在饭店的巴士站编号为1,S公园巴士站的编号为N。

写一个程序,帮助这名旅客寻找一个最优乘车方案,使他在从饭店乘车到S公园的过程中换车的次数最少。

 

【输入】

第一行有两个数字M和N(1≤M≤100 1<N≤500),表示开通了M条单程巴士线路,总共有N个车站。从第二行到第M行依次给出了第1条到第M条巴士线路的信息。其中第i+1行给出的是第i条巴士线路的信息,从左至右按运行顺序依次给出了该线路上的所有站号相邻两个站号之间用一个空格隔开。

【输出】

只有一行。如果无法乘巴士从饭店到达S公园,则输出"N0",否则输出你的程序所找到的最少换车次数,换车次数为0表示不需换车即可到达。

【输入样例】

3 7
6 7
4 7 3 6
2 1 3 5

【输出样例】

2

单向汽车路线,在dis数组里每次要存1, 最后用Floyd找出从出发点到目标点的最短路

Floyd:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<cmath>
using namespace std;

int m,n,s,x,y,dis[1000][1000],q[1000];
void find()
{
    for(int k=1; k<=n; k++)
        for(int i=1; i<=n; i++)
            for(int j=1; j<=n; j++)
                if(i!=j&&i!=k&&k!=j&&dis[i][k]+dis[k][j]<dis[i][j])
                    dis[i][j]=dis[i][k]+dis[k][j];
}

int main()
{
    memset(dis,0x3f,sizeof(dis));
    memset(q,0,sizeof(q));
    scanf("%d%d",&m,&n);
    for(int i=1; i<=m; i++)
    {
        int a,b=0;
        char p;
        while(scanf("%d%c",&a,&p)>0)
        {
            q[++b]=a;
            if(p=='\n')
                break;
        }
        for(int j=1; j<=b; j++)
            for(int k=j+1; k<=b; k++) //从j+1开始,因为是单向;
                if(j!=k&&q[j]!=0)
                    dis[q[j]][q[k]]=1;
        memset(q,0,sizeof(q));
    }
    find();
    if(dis[1][n]<100000)
        printf("%d",dis[1][n]-1);
    else
        printf("NO");
    return 0;
}

 

### 关于最优乘车问题的动态规划解法 对于最优乘车问题,可以采用一维加一维 (1D+1D) 的状态转移方程来求解。这类问题通常涉及两个维度的变化:一个是当前所处的位置或站点,另一个是时间或其他资源消耗。 #### 定义状态变量 设 `dp[i][j]` 表示到达第 i 个车站,在时刻 j 到达所需的最小费用或最短时间。这里假设输入数据已经按照时间和空间顺序排列好。 #### 初始化边界条件 初始化时考虑起始位置的情况,比如从起点出发的时间和成本设置为已知值。其他未访问过的节点则赋予无穷大表示不可达: ```python import math n, m = map(int, input().split()) # n 是车站数量,m 是最大允许等待时间 costs = [[math.inf] * (m + 1) for _ in range(n)] # costs[i][j] 表示在第i站停留到第j分钟的成本/时间 ``` #### 状态转移逻辑 核心在于构建合理的状态转换关系。当乘客处于某个特定地点并决定乘坐某辆车前往下一个目的地时,会涉及到两种可能的选择——立即上车或是稍后再走。因此,状态转移方程如下所示: \[ dp[i][t]=\min(dp[i-1][k]+c_{ik}, \text{for all } k<t)\] 其中 \( c_{ik} \) 表示从第 i-1 车站移动至第 i 车站在 t 时间内的花费或者所需时间[^1]。 为了简化计算过程,还可以引入辅助数组记录前驱信息以便最后回溯路径。 #### Python 实现代码片段 下面给出一段简单的 python 伪代码用于说明上述思路的具体实现方式: ```python def min_cost_to_reach_station(cost_matrix): """ :param cost_matrix: A list of lists where each sublist represents the time/cost to reach next station at different times. Each element is a tuple like (time, cost). :return: Minimum total travel cost/time and path taken as tuples [(station_index, arrival_time), ...]. """ num_stations = len(cost_matrix) # Initialize DP table with infinity except starting point which has zero initial cost/time. dp = [[(float('inf'), None) for _ in range(m + 1)] for __ in range(num_stations)] dp[0][0] = (0, (-1, -1)) for curr_station in range(1, num_stations): for prev_arrival_time in range(m + 1): if dp[curr_station - 1][prev_arrival_time][0] != float('inf'): for new_departure_time, transfer_cost in cost_matrix[curr_station]: actual_transfer_time = max(prev_arrival_time + 1, new_departure_time) if actual_transfer_time <= m: potential_new_value = ( dp[curr_station - 1][prev_arrival_time][0] + transfer_cost, (curr_station - 1, prev_arrival_time), ) if potential_new_value < dp[curr_station][actual_transfer_time]: dp[curr_station][actual_transfer_time] = potential_new_value best_final_state = min((v for v in dp[-1]), key=lambda x:x[0]) return reconstruct_path(best_final_state, dp) def reconstruct_path(final_state, dp_table): result = [] current_pos = final_state while current_pos[1] is not None: result.append(current_pos[::-1]) # Reverse because we're backtracking from end to start current_pos = dp_table[current_pos[1][0]][current_pos[1][1]] result.reverse() return result if __name__ == "__main__": pass # Replace this line with your test cases or main function logic here. ``` 此段代码展示了如何利用动态规划算法解决最优乘车问题,并且实现了基于给定参数矩阵的一维加一维状态转移方案。注意实际应用中需要根据具体场景调整细节部分,例如输入格式解析、边界处理等。
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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