A1087 All Roads Lead to Rome (30) 最短路径 dikstra+DFS算法

本文介绍了一种结合Dijkstra算法和深度优先搜索(DFS)的路径规划方法,用于解决复杂的路线选择问题。通过使用这两种算法,可以有效地处理包含多重判断条件的场景,实现从起点到终点的最优路径寻找,同时考虑了路径上的幸福值和平均值,以找到最佳旅行路线。

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

设计多重复杂判断,最好还是用dijkstra+DFS的写法,比较容易理解且设置的变量也不是很多,刚开始只想用dijkstra写,结果在判断的时候被绕进去了,多一个DFS就比较好写了,另外遇到字符串转换成数字的时候是要用到map的。本题是较为常见的写法,所以要牢牢掌握住

#include<cstdio>
#include<iostream>
#include<map>
#include<vector>
using namespace std;
const int inf=0x3fffffff;
const int maxn=1001;
int n,k,cost[maxn][maxn],d[maxn],H[maxn],anshappy=-1,ansavg=-1,num[maxn]={0};
string st;
bool vis[maxn]={false};
vector<int> temp,path,pre[maxn];
map<string,int> strToint;
map<int,string> intTostr;
void dijkstra(int s)
{
	fill(d,d+maxn,inf);
	d[s]=0;
	num[s]=1;
	for(int i=0;i<n;i++)
	{
		int min=inf,u=-1;
		for(int j=0;j<n;j++)
		{
			if(vis[j]==false&&d[j]<min)
			{
				u=j;
				min=d[j];
			}
		}
		if(u==-1)break;
		vis[u]=true;
		for(int v=0;v<n;v++)
	     {
	     	if(vis[v]==false&&cost[u][v]!=inf)
	     	{
	     		if(cost[u][v]+d[u]<d[v])
	     		{
	     			pre[v].clear();
	     			pre[v].push_back(u);
	     			d[v]=cost[u][v]+d[u];
	     			num[v]=num[u];
				 }
				 else if(cost[u][v]+d[u]==d[v])
				 {
				 	pre[v].push_back(u);
				 	num[v]+=num[u];
				 }
			 }
		 }
	}
}
void DFS(int v)
{
	if(v==0)
	{
		temp.push_back(v);
		int happy=0,avg;
		for(int i=temp.size()-1;i>=0;i--)
		{
			happy+=H[temp[i]];
		}
		avg=happy/(temp.size()-1);
		if(happy>anshappy)
        {
        	path=temp;
        	anshappy=happy;
        	ansavg=avg;
		}
		else if(happy==anshappy&&avg>ansavg)
		{
			path=temp;
        	ansavg=avg;
		}
		temp.pop_back();
		return;
	}
	temp.push_back(v);
	for(int i=0;i<pre[v].size();i++)
	{
		DFS(pre[v][i]);
	}
	temp.pop_back();
}
int main()
{
	cin>>n>>k>>st;
	strToint[st]=0;
	intTostr[0]=st;
	string city,city1,city2;
	int happy,c1,c2,co;
	H[0]=0;
	for(int i=1;i<n;i++)
	{
		cin>>city>>happy;
		strToint[city]=i;
		intTostr[i]=city;
		H[i]=happy;
	}
	fill(cost[0],cost[0]+maxn*maxn,inf);
	for(int i=0;i<k;i++)
	{
		cin>>city1>>city2>>co;
		c1=strToint[city1];
		c2=strToint[city2];
		cost[c1][c2]=cost[c2][c1]=co;
	}
	dijkstra(0);
	int id=strToint["ROM"];
	DFS(id);
	printf("%d %d %d %d\n",num[id],d[id],anshappy,ansavg);
	for(int i=path.size()-1;i>=0;i--)
	{
		cout<<intTostr[path[i]];
		if(i!=0)
		printf("->");
	}
	
}
### 关于空间数据库中最短路径算法的实现 在 PostgreSQL 和 PostGIS 中,可以通过多种方式来计算最短路径。以下是基于 PostgreSQL、PostGIS 和 NetworkX 的方法介绍。 #### 使用 pgrouting 扩展 pgrouting 是一个专门为路由问题设计的扩展库,可以轻松集成到 PostgreSQL 数据库中。它提供了许多内置函数来解决最短路径问题,例如 `pgr_dijkstra` 或 `pgr_astar` 函数[^1]。 以下是一个简单的 SQL 查询示例,展示如何使用 `pgr_dijkstra` 计算两个节点之间的最短路径: ```sql SELECT seq, node, edge, cost, agg_cost FROM pgr_dijkstra( 'SELECT id AS id, source::integer, target::integer, length::double precision as cost FROM ways', 789, -- 起始节点 ID 123, -- 结束节点 ID directed := true); ``` 上述查询中的 `ways` 表应包含拓扑结构信息(source/target 列),以及每条边的成本值(cost)。如果需要考虑双向成本,则还需要提供反向成本列(reverse_cost)。 #### 将 PostgreSQL 数据导入 NetworkX 并计算最短路径 NetworkX 是 Python 中的一个强大工具,能够处理复杂的图论问题。通过将 PostgreSQL 存储的空间数据导出至 Pandas DataFrame 后再传递给 NetworkX 图对象,即可完成进一步分析。 下面是一段代码片段,演示如何从 PostgreSQL 提取路网并构建 NetworkX 图模型: ```python import psycopg2 import pandas as pd import geopandas as gpd import networkx as nx from shapely.wkt import loads # 连接 PostgreSQL 数据库 conn = psycopg2.connect("dbname=case_shanghai user=postgres password=123 host=localhost port=5432") query = """ SELECT id, source, target, st_length(geom) AS cost, ST_AsText(geom) AS wkt_geom FROM roads; """ df = pd.read_sql_query(query, conn) G = nx.DiGraph() for _, row in df.iterrows(): start_node = row['source'] end_node = row['target'] weight = row['cost'] # 边权重设为距离 geometry = loads(row['wkt_geom']) # 解析 WKT 字符串 G.add_edge(start_node, end_node, weight=weight, geometry=geometry) # 寻找两节点间的最短路径 shortest_path = nx.dijkstra_path(G, source=start_node_id, target=end_node_id, weight='weight') print(shortest_path) ``` 此脚本首先连接到名为 `roads` 的表,并提取源节点、目标节点及其几何形状作为输入创建了一个有向加权图 \(G\) 。接着调用了 Dijkstra 方法求解指定起点与终点间的一系列中间顶点组成的最优路线。 #### 性能优化建议 当面对大规模网络时,性能可能会成为瓶颈。因此推荐采取如下措施提升效率: - **索引加速**: 对涉及频繁访问的关键字段建立 B-tree 或 GiST 类型索引来提高检索速度; - **分区策略**: 如果整个城市范围的数据量过大,可按行政区划或其他逻辑单元拆分存储子区域独立管理; - **简化拓扑关系**: 删除冗余交叉路口或将相近路段合并减少总边数; --- ###
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