63. 不同路径 II Python


一、题目描述

一个机器人位于一个 m x n 网格的左上角 (起始点在下图中标记为 “Start” )。

机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为 “Finish”)。

现在考虑网格中有障碍物。那么从左上角到右下角将会有多少条不同的路径?

网格中的障碍物和空位置分别用 10 来表示。

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

二、代码

代码如下:

import numpy as np
class Solution:
    def uniquePathsWithObstacles(self, obstacleGrid: List[List[int]]) -> int:
        m = len(obstacleGrid)
        n = len(obstacleGrid[0])
        if obstacleGrid[0][0] == 1 or obstacleGrid[m-1][n-1] == 1:
            return 0
        print(np.array(obstacleGrid))
        matrix = []
        for i in range(m):
            temp = []
            for j in range(n):
                temp.append(0)
            matrix.append(temp)
        for i in range(m):
            if obstacleGrid[i][0] == 0 :
                matrix[i][0] = 1
            else:
                break
        for i in range(n):
            if obstacleGrid[0][i] == 0 :
                matrix[0][i] = 1
            else:
                break
        print(np.array(matrix))
        for i in range(m-1):
            for j in range(n-1):
                if obstacleGrid[i+1][j+1] == 1:
                    continue
                matrix[i+1][j+1] = matrix[i][j+1] + matrix[i+1][j]
        print(np.array(matrix))
        return matrix[m-1][n-1]



三、解题思路

本题的解题思路是用matrix矩阵来存储从[0,0]处到达[i,j]处可能存在的路径数目,其中matrix的大小和输入的矩阵大小一致,最终只需要输出matrix矩阵右下角的数值即为总路径数目。
如何求matrix?再知道matrix的含义后,可以知道,每一处[i,j]对应的值为[0,0]到达此处的总路径数目。不难发现,第一行和第一列的值,它们的值应该都为1(如果其中没有障碍物),即从[0,0]到达第一行或第一列中的任意位置时,只存在一条路径。我们先不考虑除了第一行第一列以外的位置,那么此时matrix的初始化是这样的(假设是4x3的大小):
在这里插入图片描述那么如果存在障碍物呢?加入在[2,0]和[0,1]处有障碍物,那么此时在障碍物后面的位置,就不可直接到达,则应该赋值为0,如图所示(黑色部分为障碍物,该位置对应的值也为0):
在这里插入图片描述

现在知道了如何初始化,那么如何求剩下位置的值呢?这里我们以[1,1]处位置为例,可以发现,该处的值(即可能的路径数)为1,是该点上面[0.1]和左边[1,0]对应的值之和(1=0+1),不难理解,因为机器只能走右边或者下面,所以某一个位置[i,j]的可能路径数目,就是该位置上面和左边路径数目的和,即matrix[i][j]=matrix[i-1][j]+matrix[i][j-1]
在这里插入图片描述
这样的话,我们就可以从左到右,从上到下依次计算出每一个位置对应的值了。当然,在中间的过程中,我们还是有可能会遇到障碍物,此时只需要“避开”障碍物,让障碍物位置对应的值始终为0即可。
最后我们输出右下角的值,就是所有的可能情况。
在这里插入图片描述

你可以使用NSGA-II算法来解决多目标带时间窗的路径优化问题。NSGA-II(Non-dominated Sorting Genetic Algorithm II)是一个经典的多目标优化算法,它基于遗传算法的思想,并通过非支配排序和拥挤度距离来维护种群的多样性。 在Python中,你可以使用一些开源库来实现NSGA-II算法,如DEAP(Distributed Evolutionary Algorithms in Python)。DEAP提供了一组用于实现进化算法的工具和示例,其中包括NSGA-II。 首先,你需要安装DEAP库。你可以使用以下命令在你的Python环境中安装DEAP: ```shell pip install deap ``` 接下来,你可以使用以下示例代码来实现多目标带时间窗路径优化问题的NSGA-II算法: ```python import random from deap import algorithms, base, creator, tools # 定义问题的适应度函 def evaluate(individual): # TODO: 根据个体解码计算适应度值 return fitness_values # 定义问题的个体和种群 creator.create("FitnessMin", base.Fitness, weights=(-1.0, -1.0)) # 定义多个适应度函 creator.create("Individual", list, fitness=creator.FitnessMin) # 初始化种群和适应度函 toolbox = base.Toolbox() toolbox.register("individual", tools.initRepeat, creator.Individual, n=10) # 个体解码长度为10 toolbox.register("population", tools.initRepeat, list, toolbox.individual) toolbox.register("evaluate", evaluate) # 定义交叉和变异操作 toolbox.register("mate", tools.cxTwoPoint) toolbox.register("mutate", tools.mutFlipBit, indpb=0.05) toolbox.register("select", tools.selNSGA2) def main(): # 初始化种群 population = toolbox.population(n=100) # 运行NSGA-II算法 algorithms.eaMuPlusLambda(population, toolbox, mu=100, lambda_=100, cxpb=0.5, mutpb=0.2, ngen=50) if __name__ == "__main__": main() ``` 在上述代码中,你需要自己定义问题的适应度函,并根据个体解码计算适应度值。然后,你可以使用DEAP提供的工具函来注册问题的个体、种群、适应度函、交叉和变异操作。最后,通过调用`algorithms.eaMuPlusLambda`函来运行NSGA-II算法。 请注意,你需要根据你的具体问题对代码进行适当的修改,包括个体解码的长度、适应度函的计算以及算法的设置。 希望这可以帮助到你!如果你有更多问题,请随时提问。
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
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