凸多边形最优三角剖分

【问题描述】使用动态规划算法解凸多边形最优三角剖分问题，具体来说就是，依据递归式，按照顺序求得子问题，使得该三角剖分中诸三角形上权之和为最小。

【输入形式】在屏幕上输入凸多边形顶点个数和顶点坐标。

【输出形式】最优三角剖分后的三角形顶点。

【样例输入】

7

8 26

0 20

0 10

10 0

22 12

27 21

15 26

【样例输出】

012

234

024

456

046

【样例说明】

输入：顶点个数为7，每一行为一个顶点坐标，以空格分隔。

输出：每一行为顺序产生的最优三角剖分后的三角形顶点。

【评分标准】根据输入得到准确的输出。
python实现：

import numpy as np
import math


def min_weight(n, m, s, weights):  # 计算最优值并记录最优决策
    for i in range(1, n):
        m[i][i] = 0
        s[i][i] = 0
    for r in range(2, n):
        for i in range(1, n-r+1):
            j = i+r-1
            m[i][j] = m[i+1][j]+weights[i-1][i]+weights[i][j]+weights[j][i-1]  # get_weight(i-1, i, j)
            s[i][j] = i
            for k in range(i+1, j):
                t = m[i][k]+m[k+1][j]+weights[i-1][k]+weights[k][j]+weights[j][i-1]  # get_weight(i-1, k, j)
                if t < m[i][j]:
                    m[i][j] = t
                    s[i][j] = k


def traceback(i, j, s):
    if i == j:
        return
    traceback(i, int(s[i][j]), s)
    traceback(int(s[i][j] + 1), j, s)
    print(str(i-1)+str(s[i][j])+str(j))


def main():
    n = int(input())
    a = []
    for _ in range(n):
        a.append(list(map(int, input().split())))
    weights = np.zeros((n, n), dtype=int)
    for i in range(n):
        weights[i][i] = 0
    for i in range(n):
        for j in range(i+1, n):
            x = a[i][0]-a[j][0]
            y = a[i][1]-a[j][1]
            weights[i][j] = weights[j][i] = math.sqrt((x**2)+(y**2))
    # print(weights)
    m = np.zeros((n, n), dtype=int)  # 存放最优值
    s = np.zeros((n, n), dtype=int)  # 存放最优决策
    min_weight(n, m, s, weights)
    traceback(1, n-1, s)


if __name__ == '__main__':
    main()