【kuangbin】搜索进阶 - 1.八数码【A*+记录路径】

本文介绍了如何使用A*算法解决八数码问题,并通过记录路径找到最少移动次数的解决方案。讨论了解题的前提条件,即逆序对数量为偶数,以及启发函数选择曼哈顿距离。并给出了相关代码示例。

Date:2022.03.15
题目描述:
在一个 3×3 的网格中,1∼8 这 8 个数字和一个 X 恰好不重不漏地分布在这 3×3 的网格中。
例如:
1 2 3
X 4 6
7 5 8
在游戏过程中,可以把 X 与其上、下、左、右四个方向之一的数字交换(如果存在)。
我们的目的是通过交换,使得网格变为如下排列(称为正确排列):
1 2 3
4 5 6
7 8 X
例如,示例中图形就可以通过让 X 先后与右、下、右三个方向的数字交换成功得到正确排列。
交换过程如下:
1 2 3 1 2 3 1 2 3 1 2 3
X 4 6 4 X 6 4 5 6 4 5 6
7 5 8 7 5 8 7 X 8 7 8 X
把 X 与上下左右方向数字交换的行动记录为 u、d、l、r。
现在,给你一个初始网格,请你通过最少的移动次数,得到正确排列。
输入格式
输入占一行,将 3×3 的初始网格描绘出来。
例如,如果初始网格如下所示:
1 2 3
x 4 6
7 5 8
则输入为:1 2 3 x 4 6 7 5 8
输出格式
输出占一行,包含一个字符串,表示得到正确排列的完整行动记录。
如果答案不唯一,输出任意一种合法方案即可。
如果不存在解决方案,则输出 unsolvable。
输入样例:
2 3 4 1 5 x 7 6 8
输出样例
ullddrurdllurdruldr

思路:首先,八数码有解的充要条件为<==><==><==>逆序对总数量为偶数。【因为x只能向下或向左右换,x与左右换并未改变行内逆序对数量;x与上下换相当于将x与其上(下)元素间的两个元素向后(前)移了,因此逆序对只会-2或+2,因此不论如何换一定是偶数。】
确定了有解才可用A*(否则会很慢哦~)。
此外,由于八数码换的方式与x的四个邻格有关,因此即启发函数定义为当前状态与终点状态在坐标上的“曼哈顿距离”【就是看每个点距离目标状态上应该到的点的期望也就是估计值),姑且这么理解为曼哈顿距离吧】。
代码如下:

#include <bits/stdc++.h>
#define x first
#define y second
using namespace std;
typedef long long LL;
typedef pair<LL,string> PIS;
int dx[4] = {
   
   -1, 0, 1, 0}, dy[4] = {
   
   0, 1, 0, -1};
string start,endd="12345678x";
char s
### kuangbin 算法模板代码实现 #### 朴素 Prim 算法 朴素 Prim 算法是一种求解最小生成树问题的经典算法,适用于稠密图。以下是基于引用内容[^1]的朴素 Prim 算法实现: ```python import sys # 定义最大值 INF = sys.maxsize def prim(graph, n): # 初始化 visited = [False] * n # 记录节点是否访问过 low_cost = [INF] * n # 记录从已访问集合到未访问集合的最小边权值 pre_node = [-1] * n # 记录前驱节点,用于构造最小生成树 low_cost[0] = 0 # 起点设为 0 号节点 res = 0 # 最小生成树的总权重 for _ in range(n): min_cost = INF u = -1 # 找到未访问节点中,low_cost 最小的节点 for i in range(n): if not visited[i] and low_cost[i] < min_cost: min_cost = low_cost[i] u = i if u == -1: # 如果找不到有效的节点,说明图不连通 break visited[u] = True # 标记当前节点为已访问 res += low_cost[u] # 累加当前节点的最小边权值 # 更新与当前节点相邻的节点的 low_cost for v in range(n): if not visited[v] and graph[u][v] < low_cost[v]: low_cost[v] = graph[u][v] pre_node[v] = u return res if all(visited) else -1 # 返回最小生成树的总权重,若不连通返回 -1 # 示例输入 n = 3 graph = [ [0, 10, 20], [10, 0, 30], [20, 30, 0] ] # 输出结果 print(prim(graph, n)) # 输出最小生成树的总权重 ``` #### KM 算法(二分图最大权匹配) KM 算法是解决二分图最大权匹配问题的经典算法。以下是基于引用内容[^2]的 KM 算法实现: ```python def km_algorithm(weight_matrix): n = len(weight_matrix) lx = [max(weight_matrix[i]) for i in range(n)] # 左侧顶点的标号 ly = [0] * n # 右侧顶点的标号 match = [-1] * n # 匹配情况 slack = [0] * n # 松弛变量 visited_x = [False] * n # 记录左侧顶点是否被访问 visited_y = [False] * n # 记录右侧顶点是否被访问 def dfs(x): visited_x[x] = True for y in range(n): if visited_y[y]: continue gap = lx[x] + ly[y] - weight_matrix[x][y] if gap == 0: visited_y[y] = True if match[y] == -1 or dfs(match[y]): match[y] = x return True else: slack[y] = min(slack[y], gap) return False for x in range(n): for i in range(n): slack[i] = INF while True: visited_x = [False] * n visited_y = [False] * n if dfs(x): break delta = INF for i in range(n): if not visited_y[i]: delta = min(delta, slack[i]) for i in range(n): if visited_x[i]: lx[i] -= delta for i in range(n): if visited_y[i]: ly[i] += delta else: slack[i] -= delta return sum(lx) + sum(ly), match # 示例输入 weight_matrix = [ [100, 10], [15, 23] ] # 输出结果 total_weight, matching = km_algorithm(weight_matrix) print(total_weight) # 输出最大权值 print(matching) # 输出匹配情况 ``` #### 代码解释 - **朴素 Prim 算法**:通过维护一个 `low_cost` 数组记录每个节点到已访问集合的最小边权值,并逐步扩展最小生成树。 - **KM 算法**:通过调整左侧和右侧顶点的标号,确保能够找到增广路径,最终得到二分图的最大权匹配。
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