hackerrank_Permutation game

本文介绍了一道Hackerrank上的排列游戏问题,并提供了一个使用位操作和递归思想的解决方案。对于输入的整数n及其对应的排列,程序通过判断每个状态的胜负来决定最终结果。适用于算法学习和游戏策略分析。

https://www.hackerrank.com/challenges/permutation-game

面包大大给的题目,想了两个多小时还是人家给我的想法T_T,太弱了,想到了LIS,图论之类的,但是都没能实现,最后还是用的暴力,求解:如果n>32之后,这个题怎么做?

如果牛牛们有想法,请评论给我,谢谢!

#include<iostream>
#include<cstring>
using namespace std;
bool flag[3000000];
int main()
{
    int n;
    int t;
    cin>>t;
    int a[15];
    while(t--)
    {
        memset(flag,0,sizeof(flag));
        cin>>n;
        for (int i=0; i<n; i++)
            cin>>a[i];
        for (int i=0; i<=n; i++)
            flag[1<<i]=true;
        for (int i=1; i<(1<<n); i++)
        {
            if (flag[i]) continue;
            int temp1=-1;
            bool flag_inc=true;
            for (int k=0; (1<<k)<=i; k++)
            {
                if (!(i&(1<<k))) continue;
                if (a[k]<=temp1)
                {
                    flag_inc=false;
                    break;
                }
                else
                    temp1=a[k];
            }
            if (flag_inc)
            {
                flag[i]=true;
                continue;
            }
            bool flag_worl=false;
            for (int j=0; (1<<j)<=i; j++)
            {
                int temp=i;
                if (temp&(1<<j)) temp-=(1<<j);
                if (flag[temp])
                {
                    flag_worl=true;
                    break;
                }
            }
            if (flag_worl) flag[i]=false;
            else
                flag[i]=true;
        }
        if (flag[(1<<n)-1])
            cout<<"Bob"<<endl;
        else
            cout<<"Alice"<<endl;
    }
    return 0;
}


内容概要:本文介绍了一个基于MATLAB实现的多目标粒子群优化算法(MOPSO)在无人机三维路径规划中的应用。该代码实现了完整的路径规划流程,包括模拟数据生成、障碍物随机生成、MOPSO优化求解、帕累托前沿分析、最优路径选择、代理模型训练以及丰富的可视化功能。系统支持用户通过GUI界面设置参数,如粒子数量、迭代次数、路径节点数等,并能一键运行完成路径规划与评估。代码采用模块化设计,包含详细的注释,同时提供了简洁版本,便于理解和二次开发。此外,系统还引入了代理模型(surrogate model)进行性能预测,并通过多种图表对结果进行全面评估。 适合人群:具备一定MATLAB编程基础的科研人员、自动化/控制/航空航天等相关专业的研究生或高年级本科生,以及从事无人机路径规划、智能优化算法研究的工程技术人员。 使用场景及目标:①用于教学演示多目标优化算法(如MOPSO)的基本原理与实现方法;②为无人机三维路径规划提供可复现的仿真平台;③支持对不同参数配置下的路径长度、飞行时间、能耗与安全风险之间的权衡进行分析;④可用于进一步扩展研究,如融合动态环境、多无人机协同等场景。 其他说明:该资源包含两份代码(详细注释版与简洁版),运行结果可通过图形界面直观展示,包括Pareto前沿、收敛曲线、风险热图、路径雷达图等,有助于深入理解优化过程与结果特性。建议使用者结合实际需求调整参数,并利用提供的模型导出功能将最优路径应用于真实系统。
### 代码段含义解释 以下是对代码段 `else: # 非禁忌移动 ... return best_i, best_j, best_delta, is_best` 的详细解释: ```python else: # 非禁忌移动 new_permutation = permutation.copy() new_permutation[i], new_permutation[j] = new_permutation[j], new_permutation[i] new_fitness = np.sum(weights * distance[np.ix_(new_permutation, new_permutation)]) delta = new_fitness - current_fitness if delta < best_delta: best_delta = delta best_i, best_j = i, j is_best = new_fitness < best_fitness ``` 此代码块处理的是非禁忌移动的情况。具体步骤如下: 1. **生成新的排列**:创建当前排列 `permutation` 的副本 `new_permutation`,并交换索引 `i` 和 `j` 处的元素,以此模拟一次移动操作。 2. **计算新解的适应度**:通过 `np.sum(weights * distance[np.ix_(new_permutation, new_permutation)])` 计算新排列的适应度 `new_fitness`。这里 `weights` 是流量矩阵,`distance` 是距离矩阵,二者的元素相乘后求和得到新解的总成本。 3. **计算适应度变化**:计算新解与当前解的适应度差值 `delta`,即 `delta = new_fitness - current_fitness`。 4. **更新最优移动信息**:若 `delta` 小于当前记录的最优变化值 `best_delta`,则更新 `best_delta`、`best_i`、`best_j` 以及 `is_best`。其中 `is_best` 用于判断新解是否优于全局最优解。 ### 禁忌移动的处理 如果是禁忌移动,代码会先检查是否满足渴望准则: ```python if tabu_matrix[i][j] > itr: # 检查是否满足渴望准则 new_permutation = permutation.copy() new_permutation[i], new_permutation[j] = new_permutation[j], new_permutation[i] new_fitness = np.sum(weights * distance[np.ix_(new_permutation, new_permutation)]) delta = new_fitness - current_fitness if new_fitness < best_fitness: # 满足渴望准则 if delta < best_delta: best_delta = delta best_i, best_j = i, j is_best = True ``` 当 `tabu_matrix[i][j] > itr` 表明此移动处于禁忌状态时,代码会计算该移动产生的新解的适应度。若新解的适应度优于全局最优解 `best_fitness`,则满足渴望准则,此时即便此移动被禁忌,仍会考虑将其作为最优移动,并更新相关信息。
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