63.不同路径Ⅱ python

题目

题目描述

给定一个 m x n 的整数数组 grid。一个机器人初始位于 左上角(即 grid[0][0])。机器人尝试移动到 右下角(即 grid[m - 1][n - 1])。机器人每次只能向下或者向右移动一步。

网格中的障碍物和空位置分别用 1 和 0 来表示。机器人的移动路径中不能包含 任何 有障碍物的方格。

返回机器人能够到达右下角的不同路径数量。

测试用例保证答案小于等于 2 * 109。

示例 1:

在这里插入图片描述

输入:obstacleGrid = [[0,0,0],[0,1,0],[0,0,0]]
输出:2
解释:3x3 网格的正中间有一个障碍物。
从左上角到右下角一共有 2 条不同的路径:

  1. 向右 -> 向右 -> 向下 -> 向下
  2. 向下 -> 向下 -> 向右 -> 向右

示例 2:

在这里插入图片描述

输入:obstacleGrid = [[0,1],[0,0]]
输出:1

提示:

m == obstacleGrid.length
n == obstacleGrid[i].length
1 <= m, n <= 100
obstacleGrid[i][j] 为 0 或 1

题解

思路分析

这个问题可以通过动态规划来解决。我们可以定义 dp[i][j] 表示从起点到达位置 (i, j) 的不同路径数量。为了处理障碍物,我们需要对初始化和状态转移进行调整:

  1. 初始化

    • 如果起点有障碍物,则直接返回 0
    • 初始化第一行和第一列时,如果遇到障碍物,则后续的所有单元格都无法到达,设为 0
  2. 状态转移

    • 对于其他位置 (i, j),如果当前位置没有障碍物,则 dp[i][j] = dp[i-1][j] + dp[i][j-1];否则,dp[i][j] = 0

最终结果为 dp[m-1][n-1]

Python 实现代码

def uniquePathsWithObstacles(obstacleGrid: List[List[int]<
以下是一个简单的示例代码,使用NSGA-II算法求解带时间窗的多目标函数路径优化问题。请注意,这只是一个基本的框架,你需要根据具体的问题进行适当的修改和扩展。 ```python import random from deap import base, creator, tools, algorithms # 定义问题参数 num_tasks = 10 # 任务数量 time_windows = [(0, 10), (5, 15), (10, 20), (8, 18), (12, 22), (15, 25), (20, 30), (18, 28), (22, 32), (25, 35)] # 每个任务的时间窗限制,格式为(开始时间,结束时间) # 定义遗传算法参数 population_size = 100 num_generations = 50 # 定义适应度函数 def evaluate(individual): # 计算每个任务的开始时间和结束时间 start_times = [0] + individual end_times = [start_times[i] + time_windows[i][1] for i in range(num_tasks)] # 计算目标函数1:最小化总体完成时间 total_completion_time = max(end_times) # 计算目标函数2:最小化违约惩罚 penalty = sum(max(0, end_times[i] - time_windows[i][1]) for i in range(num_tasks)) return total_completion_time, penalty # 创建遗传算法的适应度函数 creator.create("FitnessMin", base.Fitness, weights=(-1.0, -1.0)) creator.create("Individual", list, fitness=creator.FitnessMin) toolbox = base.Toolbox() # 定义变量的取值范围 toolbox.register("attr_int", random.randint, 0, max(time_windows[i][1] for i in range(num_tasks))) toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_int, n=num_tasks) toolbox.register("population", tools.initRepeat, list, toolbox.individual) # 定义遗传算法操作 toolbox.register("evaluate", evaluate) toolbox.register("mate", tools.cxTwoPoint) toolbox.register("mutate", tools.mutUniformInt, low=0, up=max(time_windows[i][1] for i in range(num_tasks)), indpb=0.05) toolbox.register("select", tools.selNSGA2) def main(): # 创建初始种群 population = toolbox.population(n=population_size) # 运行遗传算法 for generation in range(num_generations): offspring = algorithms.varAnd(population, toolbox, cxpb=0.5, mutpb=0.1) fits = toolbox.map(toolbox.evaluate, offspring) for fit, ind in zip(fits, offspring): ind.fitness.values = fit population = toolbox.select(offspring + population, k=population_size) # 输出最优解 best_individuals = tools.selBest(population, k=1) best_fitness = evaluate(best_individuals[0]) print("Best individual:", best_individuals[0]) print("Best fitness:", best_fitness) if __name__ == "__main__": main() ``` 这段代码使用DEAP库来实现NSGA-II算法。首先,我们定义了问题参数,包括任务数量和每个任务的时间窗限制。然后,我们定义了适应度函数,其中计算了两个目标函数:最小化总体完成时间和最小化违约惩罚。接下来,我们使用DEAP的工具函数来创建遗传算法的操作,并定义了变量的取值范围。最后,我们运行遗传算法并输出最优解。 请注意,这只是一个简单的示例代码,你需要根据具体的问题进行适当的修改和扩展,例如添加约束条件、调整遗传算法的参数等。希望对你有所帮助!
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

打赏作者

gxls2024

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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