news 2026/3/8 18:39:10

UVa 12295 Optimal Symmetric Paths

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
UVa 12295 Optimal Symmetric Paths

题目描述

你有一个nnnnnn列的网格,每个单元格包含一个非零数字(111999)。你需要从左上角(0,0)(0,0)(0,0)走到右下角(n−1,n−1)(n-1,n-1)(n1,n1),每一步可以向上、下、左、右移动到相邻单元格(不能走对角线),并且不能重复访问同一个单元格。此外,路径必须关于从网格左下角到右上角的副对角线对称。下图展示了一个6×66 \times 66×6网格中的一条对称路径。

你的任务是,在所有合法对称路径中,找出数字和最小的路径有多少条?答案对1,000,000,0091,000,000,0091,000,000,009取模。

输入格式
最多252525个测试用例。每个测试用例以一个整数nnn2≤n≤1002 \le n \le 1002n100)开始。接下来nnn行,每行包含nnn个非零数字(111-999)。输入以n=0n=0n=0结束。

输出格式
对每个测试用例,输出最优对称路径的数量,模1,000,000,0091,000,000,0091,000,000,009


题目分析

对称性的理解

题目要求路径关于副对角线对称。副对角线是连接左下角(n−1,0)(n-1,0)(n1,0)和右上角(0,n−1)(0,n-1)(0,n1)的直线,其上的点满足i+j=n−1i + j = n-1i+j=n1

对称性意味着:如果路径经过点(i,j)(i,j)(i,j),则它也必须经过其对称点(n−1−j, n−1−i)(n-1-j,\; n-1-i)(n1j,n1i)。特别地:

  • 起点(0,0)(0,0)(0,0)的对称点是终点(n−1,n−1)(n-1,n-1)(n1,n1)
  • 终点(n−1,n−1)(n-1,n-1)(n1,n1)的对称点是起点(0,0)(0,0)(0,0)
  • 如果(i,j)(i,j)(i,j)在副对角线上(i+j=n−1i+j=n-1i+j=n1),则对称点就是它本身。

因此,整条路径关于副对角线对称,我们可以只考虑副对角线及其左上方(即i+j≤n−1i+j \le n-1i+jn1)的区域,另一半由对称性自动确定。

路径权重的计算

由于对称性,当路径经过(i,j)(i,j)(i,j)和它的对称点时,这两个单元格的数字都要计入总权重。但为了简化计算,我们可以预先定义一个对称权重矩阵cost[i][j]cost[i][j]cost[i][j],表示如果路径经过(i,j)(i,j)(i,j)(从而必然经过对称点),应贡献的总数字和:

  • 如果i+j=n−1i+j = n-1i+j=n1(在副对角线上),则cost[i][j]=grid[i][j]cost[i][j] = grid[i][j]cost[i][j]=grid[i][j]
  • 否则,cost[i][j]=grid[i][j]+grid[n−1−j][n−1−i]cost[i][j] = grid[i][j] + grid[n-1-j][n-1-i]cost[i][j]=grid[i][j]+grid[n1j][n1i]

注意:我们只对i+j≤n−1i+j \le n-1i+jn1的区域定义costcostcost,因为i+j>n−1i+j > n-1i+j>n1的区域是对称的,不需要重复计算。

问题转化

原问题转化为:在只允许访问i+j≤n−1i+j \le n-1i+jn1的区域、且每一步只能向相邻单元格移动(不重复访问)的条件下,从(0,0)(0,0)(0,0)出发,到达副对角线上的任意一点(k,n−1−k)(k, n-1-k)(k,n1k)的最小总权重路径的数量。因为从(0,0)(0,0)(0,0)(n−1,n−1)(n-1,n-1)(n1,n1)的对称路径必然经过副对角线上的某个点,并且由于对称性,路径在副对角线上的点“反射”后形成完整路径。

因此,我们只需要:

  1. 求出从(0,0)(0,0)(0,0)到每个副对角线点(k,n−1−k)(k, n-1-k)(k,n1k)的最小总权重。
  2. 找出这些最小权重中的最小值minValueminValueminValue
  3. 统计所有从(0,0)(0,0)(0,0)到副对角线点且总权重等于minValueminValueminValue的路径数量。

算法设计

步骤1:最短路径搜索

这是一个带有非负权重的网格图最短路径问题,可以使用Dijkstra\texttt{Dijkstra}Dijkstra算法
我们只考虑区域i+j≤n−1i+j \le n-1i+jn1,从(0,0)(0,0)(0,0)开始,更新到每个点的最短距离dist[i][j]dist[i][j]dist[i][j],同时记录每个节点的前驱节点列表parentparentparent,用于后续统计路径数量。

步骤2:构建隐式图并统计路径数

得到所有点的最短距离后,我们构建一个隐式图:

  • 每个网格点(i,j)(i,j)(i,j)对应一个节点,编号为i×n+ji \times n + ji×n+j
  • 对于每个节点vvv,遍历其前驱节点列表parent[v]parent[v]parent[v],在图中添加一条有向边u→vu \to vuvuuuvvv的前驱)。

这样,从起点(0,0)(0,0)(0,0)到任意节点vvv的所有最短路径就对应隐式图中从000vvv的所有路径。

步骤3:记忆化搜索(DFS\texttt{DFS}DFS)计数

我们设dp[u]dp[u]dp[u]表示从节点uuu出发,到达任意一个最优副对角线节点(即distdistdist等于bestbestbest的副对角线节点)的最短路径数量。

初始化:

  • 对于副对角线上的节点v=(k,n−1−k)v = (k, n-1-k)v=(k,n1k),如果dist[v]=bestdist[v] = bestdist[v]=best,则dp[v]=1dp[v] = 1dp[v]=1(表示到达自身有一条路径);否则dp[v]=0dp[v] = 0dp[v]=0
  • 其他节点dp[u]=−1dp[u] = -1dp[u]=1(未计算)。

然后从起点000(对应(0,0)(0,0)(0,0))开始进行记忆化DFS\texttt{DFS}DFS
dp[u]=∑v∈g[u]dp[v]dp[u] = \sum_{v \in g[u]} dp[v]dp[u]=vg[u]dp[v],其中g[u]g[u]g[u]uuu的后继节点列表(即隐式图中从uuu出发能到达的下一个节点)。

最终dp[0]dp[0]dp[0]即为所求的答案。


复杂度分析

  • Dijkstra\texttt{Dijkstra}Dijkstra算法:网格有O(n2)O(n^2)O(n2)个节点,每个节点最多444条边。使用优先队列,时间复杂度O(n2log⁡n)O(n^2 \log n)O(n2logn)
  • 构建隐式图:遍历所有边,O(n2)O(n^2)O(n2)
  • 记忆化DFS\texttt{DFS}DFS:每个节点访问一次,O(n2)O(n^2)O(n2)
    总时间复杂度O(n2log⁡n)O(n^2 \log n)O(n2logn),在n≤100n \le 100n100时完全可行。

空间复杂度O(n2)O(n^2)O(n2)


代码实现

// Optimal Symmetric Paths// UVa ID: 12295// Verdict: Accepted// Submission Date: 2025-12-25// UVa Run Time: 0.010s//// 版权所有(C)2025,邱秋。metaphysis # yeah dot net#include<bits/stdc++.h>usingnamespacestd;constintMAXN=110;constintMOD=1000000009,INF=0x3f3f3f3f;constintdx[4]={1,-1,0,0},dy[4]={0,0,1,-1};intdist[MAXN][MAXN],grid[MAXN][MAXN],cost[MAXN][MAXN],dp[MAXN*MAXN];vector<int>g[MAXN*MAXN];// 隐式图的邻接表vector<int>parent[MAXN*MAXN];// 每个节点的最短路径前驱节点// 记忆化搜索:从节点 u 出发到达副对角线的最优路径数量intdfs(intu){intanswer=0;for(autov:g[u]){if(~dp[v])answer=(answer+dp[v])%MOD;elseanswer=(answer+dfs(v))%MOD;}returndp[u]=answer;}intmain(){cin.tie(0);cout.tie(0);ios::sync_with_stdio(false);intn;while(cin>>n&&n){// 读入网格for(inti=0;i<n;i++)for(intj=0;j<n;j++)cin>>grid[i][j];// 计算对称权重矩阵,仅考虑副对角线及其左上方区域for(inti=0;i<n;i++)for(intj=0;j<n;j++){if(i+j>=n)continue;// 忽略右下方区域intsi=n-1-j,sj=n-1-i;// 对称点坐标if(i+j==n-1)cost[i][j]=grid[i][j];// 副对角线上的点elsecost[i][j]=grid[i][j]+grid[si][sj];// 非对角线点,加上对称点权重}// Dijkstra 求最短路径memset(dist,0x3f,sizeofdist);for(inti=0;i<n*n;i++)parent[i].clear();dist[0][0]=cost[0][0];usingstate=tuple<int,int,int>;priority_queue<state,vector<state>,greater<state>>pq;pq.push({dist[0][0],0,0});while(!pq.empty()){auto[d,x,y]=pq.top();pq.pop();if(d>dist[x][y])continue;for(intdir=0;dir<4;dir++){intnx=x+dx[dir],ny=y+dy[dir];// 确保在网格内且位于副对角线左上方if(nx<0||nx>=n||ny<0||ny>=n||nx+ny>=n)continue;intnd=d+cost[nx][ny];if(nd<dist[nx][ny]){dist[nx][ny]=nd;pq.push({nd,nx,ny});parent[nx*n+ny].clear();parent[nx*n+ny].push_back(x*n+y);}elseif(nd==dist[nx][ny]){parent[nx*n+ny].push_back(x*n+y);}}}// 构建隐式图:从每个节点的前驱节点连边for(inti=0;i<n*n;i++)g[i].clear();for(inti=0;i<n;i++)for(intj=0;j<n;j++){if(i+j>=n)continue;for(autop:parent[i*n+j])g[p].push_back(i*n+j);}// 初始化记忆数组memset(dp,-1,sizeofdp);// 找出到达副对角线的最小总权重intbest=INF;for(inti=0;i<n;i++)best=min(best,dist[i][n-1-i]);// 设置副对角线上节点的 dp 值for(inti=0;i<n;i++)dp[i*n+n-1-i]=dist[i][n-1-i]==best;// 从起点 (0,0) 开始 DFS 统计最优路径数量cout<<dfs(0)<<"\n";}return0;}
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/3/4 10:07:16

31、逐跳行为(PHB)及其实现示例

逐跳行为(PHB)及其实现示例 在网络通信中,为了实现不同类型流量的差异化服务,逐跳行为(Per-Hop Behavior,PHB)的概念应运而生。PHB 描述了差分服务(Diffserv)节点对特定差分服务行为聚合体的外部可观察转发行为。下面将详细介绍 PHB 的相关内容。 1. PHB 基础概念与…

作者头像 李华
网站建设 2026/3/8 18:03:37

互联网大厂求职:Java面试中的技术点和业务场景解析

互联网大厂求职&#xff1a;Java面试中的技术点和业务场景解析 场景描述&#xff1a; 在某互联网大厂的面试室内&#xff0c;面试官正襟危坐&#xff0c;而一旁坐着的程序员谢飞机则显得有些紧张。这是谢飞机的第N次面试&#xff0c;前几次的“辉煌战绩”让他今天不敢掉以轻心。…

作者头像 李华
网站建设 2026/3/1 12:50:33

智谱Open-AutoGLM究竟有多强?:3大核心技术解密国产AutoML新范式

第一章&#xff1a;智谱 Open-AutoGLM沉思在大模型与自动化机器学习交汇的前沿&#xff0c;智谱推出的 Open-AutoGLM 引发了广泛的技术关注。它并非传统意义上的 AutoML 工具&#xff0c;而是尝试将自然语言理解能力与自动化建模流程深度融合&#xff0c;实现以“对话”驱动机器…

作者头像 李华
网站建设 2026/3/4 13:01:26

(AutoGLM 2.0 vs 传统建模):性能对比实测,结果令人震惊

第一章&#xff1a;AutoGLM 2.0 vs 传统建模&#xff1a;性能对比实测&#xff0c;结果令人震惊在真实业务场景中对 AutoGLM 2.0 与传统机器学习建模流程进行端到端对比测试&#xff0c;结果显示其效率与精度均实现跨越式提升。本次测试基于金融风控数据集&#xff0c;涵盖特征…

作者头像 李华
网站建设 2026/3/7 19:55:20

29、Git Hooks与项目组合策略详解

Git Hooks与项目组合策略详解 1. 引言 在使用Git进行版本控制的过程中,我们经常会有各种特定的需求,比如在执行某些操作前后自动执行特定任务,或者处理项目中依赖的外部库。Git提供了钩子(Hooks)机制来满足前者的需求,同时对于项目组合,也有多种策略可供选择。 2. Gi…

作者头像 李华
网站建设 2026/2/28 16:11:15

8个降AI率工具推荐!本科生高效降aigc神器

8个降AI率工具推荐&#xff01;本科生高效降aigc神器 AI降重工具&#xff1a;论文写作的隐形助手 随着人工智能技术的不断发展&#xff0c;越来越多的本科生在论文写作中开始使用AI辅助工具。然而&#xff0c;这些工具生成的内容往往带有明显的AI痕迹&#xff0c;导致AIGC率过高…

作者头像 李华