[codevs 1227] 方格取数2

本文详细介绍了如何使用最小费用最大流算法解决方块取数2问题,包括拆点技巧、边的添加策略以及最终求解过程。通过构建特殊的图结构,实现了在有限步内获取最优解的目标。

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

[codevs 1227] 方格取数 2


题解:

注:这是CODEVS的方格取数2,走k次的版本。

因为每个格子可以走无数次,但走过一次之后数字就变成了0,也就是只有一次可以加上格子里的数字。所以要拆点(X->Xi,Xj),在Xi和Xj之间连一条容量为1,费用为数字的相反数的边(取走该格数字),再连一条容量为INF,费用为0的边(第2,3...n次走该格)。再从每个格子的Xj点向左面及下面的格子的Xi点连一条容量为1,费用为0的边,最后从源点向第一个格子的Xi连一条容量为k(走k次)费用为0,从最后一个点的Xj向汇点连一条同样的边。求解最小费用最大流,费用的相反数就是答案。

代码:

总时间耗费: 149ms 
总内存耗费: 1 kB
#include<cstdio>
#include<iostream>
#include<vector>
#include<queue>
#include<algorithm>
using namespace std; 

const int INF = 1e8 + 7;
const int maxn = 50 * 50 * 2 + 10;

struct Edge{
	int from, to, cap, flow, cost;
};

vector<Edge> edges;
vector<int> G[maxn];
int n, k, s, t;

void encode(int i, int j, int& THIS, int& NEXT, int& DOWN, int& LEFT) {
	i--; j--;
	THIS = i * n + j + 1;
	NEXT = THIS + n*n;
	DOWN = i < n-1 ? THIS + n : 0;
	LEFT = j < n-1 ? THIS + 1 : 0;
}

void AddEdge(int from, int to, int cap, int cost) {
	edges.push_back((Edge){from, to, cap, 0, cost});
	edges.push_back((Edge){to, from, 0, 0, -cost});
	int m = edges.size();
	G[from].push_back(m-2);
	G[to].push_back(m-1);
}

int d[maxn], a[maxn], p[maxn];
bool inq[maxn];

bool SPFA(int &cost) {
	for(int i = 0; i <= t; i++) d[i] = INF;
	memset(inq, 0, sizeof(inq));
	d[s] = 0; inq[s] = 1; a[s] = INF; p[s] = 0;
	
	queue<int> Q;
	Q.push(s);
	while(!Q.empty()) {
		int u = Q.front(); Q.pop();
		inq[u] = 0;
		for(int i = 0; i < G[u].size(); i++) {
			Edge& e = edges[G[u][i]];
			if(e.cap > e.flow && d[u] + e.cost < d[e.to]) {
				d[e.to] = d[u] + e.cost;
				p[e.to] = G[u][i];
				a[e.to] = min(a[u], e.cap - e.flow);
				if(!inq[e.to]) {
					Q.push(e.to);
					inq[e.to] = 1;
				}
			}
		}
	}
	if(d[t] == INF) return 0;
	
	cost += d[t] * a[t];
	int u = t; 
	while(u != s) {
		edges[p[u]].flow += a[t];
		edges[p[u]^1].flow -= a[t];
		u = edges[p[u]].from;
	}
	
	return 1;
}

int maxflow() {
	int cost = 0;
	while(SPFA(cost));
	return cost;
}

int main() {
	cin >> n >> k;
	s = 0; t = n*n*2 + 1;
	for(int i = 1; i <= n; i++)
		for(int j = 1; j <= n; j++) {
			int THIS, NEXT, DOWN, LEFT;
			encode(i, j, THIS, NEXT, DOWN, LEFT);
			int w;
			cin >> w;
			AddEdge(THIS, NEXT, 1, -w);
			AddEdge(THIS, NEXT, INF, 0);
			if(LEFT) AddEdge(NEXT, LEFT, INF, 0);
			if(DOWN) AddEdge(NEXT, DOWN, INF, 0);
		}
	AddEdge(s, 1, k, 0);
	AddEdge(t-1, t, k, 0);
	
	cout << -maxflow() << endl;
	return 0;
}


一、综合实战—使用极轴追踪方式绘制信号灯 实战目标:利用对象捕捉追踪和极轴追踪功能创建信号灯图形 技术要点:结合两种追踪方式实现精确绘图,适用于工程制图中需要精确定位的场景 1. 切换至AutoCAD 操作步骤: 启动AutoCAD 2016软件 打开随书光盘中的素材文件 确认工作空间为"草图与注释"模式 2. 绘图设置 1)草图设置对话框 打开方式:通过"工具→绘图设置"菜单命令 功能定位:该对话框包含捕捉、追踪等核心绘图辅助功能设置 2)对象捕捉设置 关键配置: 启用对象捕捉(F3快捷键) 启用对象捕捉追踪(F11快捷键) 勾选端点、中心、圆心、象限点等常用捕捉模式 追踪原理:命令执行时悬停光标可显示追踪矢量,再次悬停可停止追踪 3)极轴追踪设置 参设置: 启用极轴追踪功能 设置角度增量为45度 确认后退出对话框 3. 绘制信号灯 1)绘制圆形 执行命令:"绘图→圆→圆心、半径"命令 绘制过程: 使用对象捕捉追踪定位矩形中心作为圆心 输入半径值30并按Enter确认 通过象限点捕捉确保圆形位置准确 2)绘制直线 操作要点: 选择"绘图→直线"命令 捕捉矩形上边中点作为起点 捕捉圆的上象限点作为终点 按Enter结束当前直线命令 重复技巧: 按Enter可重复最近使用的直线命令 通过圆心捕捉和极轴追踪绘制放射状直线 最终形成完整的信号灯指示图案 3)完成绘制 验证要点: 检查所有直线是否准确连接圆心和象限点 确认极轴追踪的45度增量是否体现 保存绘图文件(快捷键Ctrl+S)
### 方格问题的动态规划算法实现 #### 问题描述 在一个 \( N \times N \) 的方格图中,某些方格填有正整值,其余为空白(即值为 0)。目标是从左上角 (\(1,1\)) 走到右下角 (\(N,N\)),允许走两次不同的路径,并使这两条路径上的字总和最大化。每经过一个方格,可以拾起其上的字。 --- #### 解决思路 此问题可以通过 **二维动态规划** 来解决。由于需要考虑两条不重叠的路径,因此状态设计较为复杂。以下是具体分析: 1. **定义状态变量** 设定四维的状态表示方式: - \( dp[x1][y1][x2][y2] \): 表示第一条路径到达坐标 (\(x1,y1\)) 和第二条路径到达坐标 (\(x2,y2\)) 时的最大得分。 如果两条路径当前位于同一格子,则只累加一次该格子的值;如果不在同一格子,则分别累加对应的值[^3]。 2. **初始化条件** 初始化起点 (\(dp[1][1][1][1]\)) 的初始值为网格中的第一个单元格值 \( grid[1][1] \)[^5]。 3. **转移方程** 对于每一个可能的状态 (\(x1,y1,x2,y2\)): - 假设可以从四个方向之一移动过来:上方或左侧。 - 更新公式如下: ```python if (x1 == x2 and y1 == y2): dp[x1][y1][x2][y2] = max( dp[x1-1][y1][x2-1][y2], # 上一步均为向上 dp[x1-1][y1][x2][y2-1], # 第一条路径向上,第二条向左 dp[x1][y1-1][x2-1][y2], # 第一条路径向左,第二条向上 dp[x1][y1-1][x2][y2-1] # 双方均向左 ) + grid[x1][y1] else: dp[x1][y1][x2][y2] = max( dp[x1-1][y1][x2-1][y2], dp[x1-1][y1][x2][y2-1], dp[x1][y1-1][x2-1][y2], dp[x1][y1-1][x2][y2-1] ) + grid[x1][y1] + grid[x2][y2] ``` 4. **边界处理** 需要特别注意越界情况以及当两条路径相交的情况下的特殊逻辑。 5. **优化空间复杂度** 使用滚动组技术来减少内存消耗。因为每次更新仅依赖前一时刻的据,故可将三维组压缩至两层循环内的二维存储结构[^5]。 6. **最终结果提** 结果存放在终点处的所有可能性之中最大的那个值里头,也就是遍历所有可能结束位置组合求得最大值作为答案返回给调用者函。 --- #### Python 实现代码 下面提供了一个基于上述理论框架的具体实现版本: ```python def max_sum_of_two_paths(grid): n = len(grid) # Initialize DP table with zeros. dp = {} # Initial state setup at the start point of both paths being same i.e., top-left corner. dp[(1, 1, 1, 1)] = grid[1][1] directions = [(0,-1), (-1,0)] for sum_steps in range(2, 2*n): new_dp = {} for pos1 in range(max(sum_steps-n+1,1), min(n,sum_steps)+1): pos2 = sum_steps - pos1 if not (1<=pos2<=n): continue for path1_dir in directions: prev_pos1_x = pos1-path1_dir[0] prev_pos1_y = pos2-path1_dir[1] if not (1<=prev_pos1_x<=n and 1<=prev_pos1_y<=n): continue for path2_dir in directions: prev_pos2_x = pos1-path2_dir[0] prev_pos2_y = pos2-path2_dir[1] if not (1<=prev_pos2_x<=n and 1<=prev_pos2_y<=n): continue key_prev = (prev_pos1_x, prev_pos1_y, prev_pos2_x, prev_pos2_y) if key_prev not in dp: continue current_key = (pos1,pos2,min(pos1,pos2),max(pos1,pos2)) value_to_add = ( grid[pos1][pos2] + ((grid[pos1][pos2]) if pos1 != pos2 or pos1==pos2 else 0 ) ) if current_key not in new_dp: new_dp[current_key] = dp[key_prev]+value_to_add else: new_dp[current_key] = max(new_dp[current_key], dp[key_prev]+value_to_add) dp = new_dp result = 0 for k,v in dp.items(): if v>result: result=v return result ``` --- #### 复杂度分析 时间复杂度主要由状态量决定,大约为 \(O(N^4)\),但由于实际计算过程中会有很多剪枝操作,通常运行效率较高。空间复杂度则通过滚动组降低到了 \(O(N^2)\)。 ---
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