GYM 100182 H.Robot Challenge(dp)

探讨了机器人从起点到终点需依次访问多个点的问题,考虑罚时与行走时间,利用动态规划求解最短时间。

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

Description
给出n个点的二维坐标,机器人要从(0,0)点到达(100,100),且要依顺序经过1,2,…,n这n个点,如果经过了后面的点却没有经过前面的点,那么就会有罚时,但每个点最多罚时一次,机器人每到一个点会停1s,速度是每秒走1单位长度,两点之间机器人走线段,问机器人从(0,0)到(n,n)花费的最短时间是多少
Input
多组用例,每组用例首先输入点数n,之后n行每行三个整数x,y,p表示该点的横纵坐标和罚时,以n=0结束输入(1<=n<=1000,1<=x,y<=99,1<=p<=100)
Output
对于每组用例,输出机器人从(0,0)到(n,n)花费的最短时间是多少
Sample Input
1
50 50 20
3
30 30 90
60 60 80
10 90 100
3
30 30 90
60 60 80
10 90 10
0
Sample Output
143.421
237.716
154.421
Solution
把(0,0)看作第0个点,(100,100)看作第n+1个点,dp[i]表示0点到i点的最短时间,那么可以枚举i点上一个点j,那么从j到i的花费是dp[j]+dis(i,j)+p[j+1]+…+p[i]+1,故dp[i]=min(dp[j]+dis(i,j)+p[j+1]+…+p[i]+1),j=0,1,…,i-1
时间复杂度O(n^2)
Code

#include<cstdio>
#include<iostream>
#include<cstring>
#include<algorithm>
#include<cmath>
#include<vector>
#include<queue>
#include<map>
#include<set>
#include<ctime>
using namespace std;
typedef long long ll;
#define INF 1e10
#define maxn 1111
int n,x[maxn],y[maxn],p[maxn];
double dp[maxn];
double dis(int i,int j)
{
    return sqrt((x[i]-x[j])*(x[i]-x[j])+(y[i]-y[j])*(y[i]-y[j]));
}
int main()
{
    while(~scanf("%d",&n),n)
    {
        for(int i=1;i<=n;i++)scanf("%d%d%d",&x[i],&y[i],&p[i]);
        x[0]=y[0]=0,x[n+1]=y[n+1]=100;
        p[++n]=0;
        p[0]=0;
        for(int i=1;i<=n;i++)p[i]+=p[i-1];
        for(int i=1;i<=n;i++)dp[i]=INF;
        dp[0]=0;
        for(int i=1;i<=n;i++)
            for(int j=0;j<i;j++)
                dp[i]=min(dp[i],dp[j]+p[i-1]-p[j]+dis(i,j)+1);
        printf("%.3f\n",dp[n]);
    }
    return 0;
}
### 使用 `gym.spaces.Box` 定义动作空间 在OpenAI Gym环境中定义连续的动作空间通常会使用到 `gym.spaces.Box` 类。此类允许创建一个多维的盒子形状的空间,其边界由低限(low)和高限(high)参数指定[^1]。 对于给定的例子,在类 `ActionSpace` 中静态方法 `from_type` 返回了一个基于输入类型的行动空间实例: 当 `space_type` 是 `Continuous` 时,返回的是一个三维向量形式的动作空间对象,该对象表示三个维度上的取值范围分别为 `[0.0, 1.0]`, `[0.0, 1.0]`, 和 `[-1.0, 1.0]` 的实数集合,并且数据类型被设定为了 `np.float32`: ```python import numpy as np import gym class ActionSpace: @staticmethod def from_type(action_type: int): space_type = ActionSpaceType(action_type) if space_type == ActionSpaceType.Continuous: return gym.spaces.Box( low=np.array([0.0, 0.0, -1.0]), high=np.array([1.0, 1.0, 1.0]), dtype=np.float32, ) ``` 此段代码展示了如何通过传递最低限度(`low`)数组以及最高限度(`high`)数组来初始化一个新的Box实例,从而构建出一个具有特定界限的多维连续数值区间作为环境可能采取的一系列合法行为的选择集的一部分。 另外值得注意的是,每个环境都应当具备属性 `action_space` 和 `observation_space` ,这两个属性应该是继承自 `Space` 类的对象实例;Gymnasium库支持大多数用户可能会需要用到的不同种类的空间实现方式[^2]。 #### 创建并测试 Box 动作空间的一个简单例子 下面是一个简单的Python脚本片段用于展示怎样创建和验证一个基本的 `Box` 空间成员资格的方法: ```python def check_box_space(): box_space = gym.spaces.Box(low=-1.0, high=1.0, shape=(2,), dtype=np.float32) sample_action = box_space.sample() # 获取随机样本 is_valid = box_space.contains(sample_action) # 检查合法性 print(f"Sampled action {sample_action} within bounds? {'Yes' if is_valid else 'No'}") check_box_space() ``` 上述函数首先建立了一个二维的 `-1.0` 到 `1.0` 范围内的浮点型 `Box` 空间,接着从中抽取了一组随机样本来检验它确实位于所规定的范围内。
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