NC59 矩阵的最小路径和

描述

给定一个 n * m 的矩阵 a,从左上角开始每次只能向右或者向下走,最后到达右下角的位置,路径上所有的数字累加起来就是路径和,输出所有的路径中最小的路径和。

示例1

输入:

[[1,3,5,9],[8,1,3,4],[5,0,6,1],[8,8,4,0]]

复制返回值:

12

复制

备注:

 

1 \leq n,m \leq 20001≤n,m≤2000

1 \leq arr_{i,j} \leq 1001≤arri,j​≤100

#
# 
# @param matrix int整型二维数组 the matrix
# @return int整型
#
class Solution:
    def minPathSum(self , matrix ):
        dp = [[0 for i in range(len(matrix[0]))] for j in range(len(matrix))]
        summ = 0
        for i in range(len(matrix)):
            summ += matrix[i][0]
            dp[i][0] = summ
        summ = 0
        for i in range(len(matrix[0])): 
            summ += matrix[0][i]
            dp[0][i] = summ
        for i in range(1, len(matrix)):
            for j in range(1, len(matrix[0])):
                dp[i][j] = min(dp[i-1][j] , dp[i][j-1]) + matrix[i][j]
        print(dp)
        return dp[len(matrix)-1][len(matrix[0])-1]
        # write code here

 动规

递推式:

dp[i][j] = min{dp[i-1][j], dp[i][j-1]} + matrix[i][j]

### 动态规划求解最短路径问题 动态规划是一种通过分解子问题来解决问题的方法,通常用于优化问题。对于最短路径问题,可以利用动态规划的思想构建状态转移方程并逐步计算最优解[^4]。 以下是基于网格图的一个简单例子,展示如何使用动态规划算法找到起点到终点的最短路径: #### 代码实现 ```python import numpy as np def dynamic_programming_shortest_path(grid, start, goal): rows, cols = grid.shape # 初始化价值函数矩阵 value_matrix = np.full((rows, cols), float('inf')) value_matrix[start] = 0 # 定义动作集合(上下左右) actions = [(-1, 0), (1, 0), (0, -1), (0, 1)] updated = True while updated: updated = False for r in range(rows): for c in range(cols): if grid[r][c] == 1: # 障碍物跳过 continue current_value = value_matrix[r][c] for dr, dc in actions: nr, nc = r + dr, c + dc if 0 <= nr < rows and 0 <= nc < cols and grid[nr][nc] != 1: neighbor_value = value_matrix[nr][nc] + 1 if neighbor_value < current_value: value_matrix[r][c] = neighbor_value updated = True return value_matrix[goal] # 示例输入 grid = np.array([ [0, 0, 0, 0], [0, 1, 1, 0], [0, 0, 0, 0], [0, 0, 1, 0] ]) start = (0, 0) goal = (3, 3) shortest_distance = dynamic_programming_shortest_path(grid, start, goal) print(f"The shortest distance from {start} to {goal} is {shortest_distance}.") ``` #### 解释 上述代码定义了一个 `dynamic_programming_shortest_path` 函数,该函数接受一个二维数组作为地图表示,其中 `0` 表示可通过区域,而 `1` 则代表障碍物。它还接收起始位置目标位置作为参数。 - **初始化**:创建一个与地图大小相同的值矩阵 (`value_matrix`) 并将其初始设为无穷大,除了起始点外。 - **迭代更新**:遍历整个地图中的每一个单元格,并尝试从其邻居节点获取更优的距离值。如果发现新的距离小于当前记录,则更新此单元格的价值。 - **终止条件**:当不再有任何单元格被更新时停止循环。 最终返回的目标点处存储的就是从起点到达它的最小步数。 --- ### 关键概念补充 动态规划的核心在于建立合适的状态转移关系 \(Q\) 折扣因子 \(\gamma\)。在这个特定场景下,我们简化了模型假设——即每一步移动成本固定为单位长度,因此无需显式引入奖励机制或未来收益折现的概念。 此外,在实际应用中可能还需要考虑更多复杂因素,比如不同地形的成本差异、多维空间下的路径搜索等问题。
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