程序已通过检测: https://www.dotcpp.com/oj/problem1640.html
问题描述
一个旅行家想驾驶汽车以最少的费用从一个城市到另一个城市(假设出发时油箱是空的)。给定两个城市之间的距离D1、汽车油箱的容量C(以升为单位)、每升汽油能行驶的距离D2、出发点每升汽油价格P和沿途油站数N(N可以为零),油站i离出发点的距离Di、每升汽油价格Pi(i=1,2,……N)。计算结果四舍五入至小数点后两位。如果无法到达目的地,则输出“No Solution”。
输入格式
第一行为4个实数D1、C、D2、P与一个非负整数N;
接下来N行,每行两个实数Di、Pi。
输出格式
如果可以到达目的地,输出一个实数(四舍五入至小数点后两位),表示最小费用;否则输出“No Solution”(不含引号)。
样例输入
275.6 11.9 27.4 2.8 2
102.0 2.9
220.0 2.2
样例输出
26.95
贪心算法:
1、贪心算法,就像它的名字一样,在每个状态都表现出一种贪心的心理,希望得到当前状态的最优策略,一点儿也不想吃亏,不愿从长远上去考虑。显然,这种策略是一种局部的最优解,它可能是整体最优,也可能不是,这类似于数学中的极值一样。不过贪心算法仍是非常有用的,因为它可以简化问题,把一个大问题分解成若干个小问题,降低了问题的复杂度,通过一步一步求解,逐步逼近最终结果,因为每一步都是当前的最优解,而最终得到的结果要么就是整体最优,要么接近整体最优解。
2、理论上来说,要想得到整体最优解,只有遍历所有情况。当要考虑的情况比较多时,我们会借助其它算法减少选择空间。但是如果可选择空间及其复杂时,计算机需要做大量运算,当然耗时也更多。此时,如果我们对结果准确度要求场合不是非常精确的场合,即允许计算结果在一定程度下偏离整体最优解,最优解贪心算法是非常简洁而又高效的。
3、贪心算法不是对所有问题都能得到整体最优解,关键是贪心策略的选择,选择的贪心策略必须具备无后效性,即某个状态以前的过程不会影响以后的状态,只与当前状态有关。换句话说,贪心算法会一直向前走,不会回头,直到解决问题。
分析问题:
设第i个加油站的加油量为ai(i=0,1,2……N),设第i个加油站到起点的距离为Di(i=0,1,2……N+1),设第i个加油站的油价为Pi(i=0,1,2……N+1),Di和Pi是已知量。旅行家目的是花最少的钱到达终点,也就求ai的组合,一共N+1个变量,显然,这是一个多元线性规划问题。
(1)遍历法
要想到达目的地,且在每一站车上的油量都不超过满油量C,是需要满足一定条件的,即达到当前站的所有加油量,应大于或等于刚好要到达下一站需要的油量,小于或等于刚好到达当前站需要的油量加上满油量C,用公式描述就是
因此每一站的加油量就要满足下面的不等式:
其中,
这样,当旅行家输入Di、Pi、D2、C、N后,a0的范围就已经确定了,当a0的值确定时,a1的范围也就确定了,当a1的值确定时,a2的范围也就确定了,一直循环下去,直到确定aN的值。显然这是一个N+1层的循环嵌套。然而这个程序并不好写,因为N是一个输入的量,输入的N不同,循环层数也就不同,同时下一次的循环范围是和当前ai的取值有关的。笔者水平有限,对递归掌握不深,写了两天也未完成。可以知道的是,这种程序的循环次数非常大,而且随着加油量精度的提高,循环次数以10的N+1次方的量级提升,以样例输入数据为例,当加油量精度为0.1升时,循环次数为616968,精度为0.01升时,循环次数为614219840。有兴趣的可以尝试用递归写一下,或者使用matlab的矩阵运算,不过这似乎意义不太大,因为我们有更好的贪心算法。
(2)贪心法
核心思想就是每次都尽量去更便宜的油站加油,除非在能到达的油站内没有更便宜的油站了。
一共有N个油站,约定Di[0]=0,Pi[N +1]=0,即起点的距离为0,终点的油价为0
假设旅行家当前处于第 i (0=< i <=N)个油站,车上剩余油量为remain,已经花费cost,
先判断满油下能否到达下一站,假如不能达到,得出结论:此问题无解,输出 No Solution。如果能到达,则从当前油站开始,寻找下一个比当前站更便宜的油站,记为k站(k>=i)。i依次加1,只要油价比当前站便宜即找到k站,因为终点的油价为0,所以一定会找到k站,有可能还没到达终点就找到k,也可能k就是终点。找到k站后有两种情况
1、能到达k站
(1)剩油量能去k站>>>直接去k站
(2)剩油量不能去k站>>>加油到刚好去k站
2、不能到达k站(也就是说在能到达的所有站点中,当前站油价最便宜)
(1)加满油去下一站
python实现代码如下:
D1,C,D2,P,N = input().split()
D1 = float(D1) #两城市间距离
C = float(C) # 汽车油箱容量
D2 = float(D2) #每升汽油能行驶的距离
P= float(P) #出发点每升汽油价格
N = int(N) #沿途油站数
Di = [0,] #每个加油站到起点的距离
Pi = [P,] #每个加油站的油价
a = [ ] #用来存储在n个加油站的加油量
remain = 0 #剩余油量
cost = 0 #花费油钱
Solution = 0 #问题是否有解的标志,0有解,1无解
full = C * D2
for i in range(N):
d,p= input().split()
d = float(d)
p = float(p)
Di.append(d)
Pi.append(p)
Di.append(D1)
Pi.append(0)
# 初始化每个加油站的加油量
for k in range(N + 1) :
a.append(0)
i = 0
while i <= N :
To_next = Di[i + 1] - Di[i] #当前站点到下一站的距离
if To_next > full : #不能够到达下一站
Solution = 1
break
else : #能去下一站
k = i + 1
while k <= N + 1 :
if Pi[i] >= Pi[k] : #搜索油价小于或等于i站的下一个油站k
break
k += 1
To_cheap = Di[k] - Di[i] #当前站点到k站点的距离
if full >= To_cheap : #能到达k站
use_cheap = To_cheap/D2
a[i] = use_cheap - remain
if a[i] > 0 : #剩下的油不能直接到达k站
cost += a[i] * Pi[i]
remain = 0
else : #剩下的油能直接到达k站
a[i] = 0
remain -= use_cheap
i = k
else :#不能达到k站 #加满油去下一个站点'''
a[i] = C - remain
cost += a[i] * Pi[i]
remain = C - To_next/D2
i += 1
if Solution == 0:
print('%.2f'% cost)
else :
print('No Solution')
## print(a) #打印每个油站的加油量
测试结果如下: