AcWing——91. 最短Hamilton路径

博客围绕最短Hamilton路径问题展开,给定带权无向图,求从起点0到终点n - 1不重不漏经过每个点一次的最短路径。介绍了输入输出格式、数据范围,并给出样例。指出该问题是NP完全问题,采用状态压缩枚举记录最优解。

91. 最短Hamilton路径
给定一张 nn 个点的带权无向图,点从 0~n-1 标号,求起点 0 到终点 n-1 的最短Hamilton路径。 Hamilton路径的定义是从 0 到 n-1 不重不漏地经过每个点恰好一次。

输入格式

第一行输入整数nn。

接下来nn行每行nn个整数,其中第ii行第jj个整数表示点ii到jj的距离(记为a[i,j])。

对于任意的x,y,zx,y,z,数据保证 a[x,x]=0,a[x,y]=a[y,x] 并且 a[x,y]+a[y,z]>=a[x,z]。

输出格式

输出一个整数,表示最短Hamilton路径的长度。

数据范围

1≤n≤201≤n≤20
0≤a[i,j]≤1070≤a[i,j]≤107
输入样例:

5
0 2 4 5 1
2 0 6 5 3
4 6 0 8 3
5 5 8 0 5
1 3 3 5 0
输出样例:

18
ps:最短哈密顿路是一个NP完全问题,就是说没有什么多项式的解法,对于这种问题,就只能枚举,但枚举时,我们用了状态压缩的方法来记录当前的最优解,具体参考代码的注释

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const int N=20,M=1<<20;
int n;
int f[M][N],w[N][N];
int main(){
	cin>>n;
	for(int i=0;i<n;i++){
		for(int j=0;j<n;j++){
			cin>>w[i][j];
		}
	}
	memset(f,0x3f,sizeof(f));//把所有的状态初始化成正无穷 
	f[1][0]=0;//有1个点,在0号点,且没走过路程,初始化就为0 
	for(int i=0;i<1<<n;i++){
		for(int j=0;j<n;j++){  //枚举所有状态 
			if(i>>j&1){        //判断i的第j位是不是1,是1状态就是合法的 
				for(int k=0;k<n;k++){//枚举下所有整数 
					if(i-(1<<j)>>k&1){ 
						f[i][j]=min(f[i][j],f[i-(1<<j)][k]+w[k][j]);
					}
				}
			} 
		}
	}
	cout<<f[(1 << n)-1][n-1]<<endl;
	return 0;
}
### Hamilton 路径的算法与图论分析 Hamilton 路径问题在图论中是一个经典问题,其目标是在一个加权图中找到一条从起点到终点的路径,该路径恰好经过每个顶点一次,并且路径的总权重小。该问题属于 NP-Hard 问题,因此对于大规模图,通常需要使用动态规划等优化策略来求解。 #### 状态压缩动态规划方法 Hamilton 路径可以通过状态压缩动态规划来高效求解。状态压缩的核心思想是使用二进制数来表示已经访问过的顶点集合,从而减少状态存储的空间和计算复杂度。 定义状态 `dp[i][j]` 表示当前处于顶点 `j`,并且已经访问过的顶点集合由二进制数 `i` 表示时的路径长度。初始状态为 `dp[1][0] = 0`,表示从起点 `0` 出发,仅访问了自己。 状态转移方程为: ```python dp[i][j] = min(dp[i ^ (1 << j)][k] + weight[k][j]) for all k in i if k != j ``` 其中: - `i` 是一个二进制数,表示已访问的顶点集合。 - `j` 是当前所在的顶点。 - `weight[k][j]` 是顶点 `k` 到顶点 `j` 的边权值。 - `i ^ (1 << j)` 表示从集合 `i` 中移除顶点 `j`。 终答案是 `min(dp[(1 << n) - 1][j] + weight[j][n-1])`,其中 `n` 是图中顶点的数量,`j` 遍历所有可能的中间顶点。 #### 图论中的应用 在图论中, Hamilton 路径问题与旅行商问题(TSP)密切相关,但不同之处在于 TSP 要求路径形成一个回路,而 Hamilton 路径只需要从起点到终点。该问题在实际应用中广泛存在,例如电路设计、物流路径规划等领域。 #### 示例代码 以下是一个实现 Hamilton 路径的 Python 示例代码: ```python n = int(input()) weight = [list(map(int, input().split())) for _ in range(n)] # 初始化动态规划表 dp = [[float('inf')] * n for _ in range(1 << n)] dp[1][0] = 0 # 起点为顶点0 # 状态转移 for i in range(1 << n): for j in range(n): if (i >> j) & 1: for k in range(n): if (i ^ (1 << j)) >> k & 1: dp[i][j] = min(dp[i][j], dp[i ^ (1 << j)][k] + weight[k][j]) # 终结果 print(dp[(1 << n) - 1][n-1]) ```
评论 2
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