数据结构学习记录——图应用实例-拯救007(问题描述、解题思路、伪代码解读、C语言算法实现)

简介: 数据结构学习记录——图应用实例-拯救007(问题描述、解题思路、伪代码解读、C语言算法实现)

问题描述

在老电影“007之生死关头”(Live and Let Die)中有一个情节,007被毒贩抓到一个鳄鱼池中心的小岛上,他用了一种极为大胆的方法逃脱 —— 直接踩着池子里一系列鳄鱼的大脑袋跳上岸去!(据说当年替身演员被最后一条鳄鱼咬住了脚,幸好穿的是特别加厚的靴子才逃过一劫。)


设鳄鱼池是长宽为100米的方形,中心坐标为 (0, 0),且东北角坐标为 (50, 50)。池心岛是以 (0, 0) 为圆心、直径15米的圆。给定池中分布的鳄鱼的坐标、以及007一次能跳跃的最大距离,你需要告诉他是否有可能逃出生天。

解题思路

1. 图的数据结构:将鳄鱼的坐标看作图的节点,鳄鱼之间的距离小于等于007一次能跳跃的最大距离的关系看作图的边。


2. 搜索算法:使用广度优先搜索(BFS)或深度优先搜索(DFS)来探索图,找到从007的起始位置出发是否能到达岸边或者岛屿的边界。这相当于在图中查找从起点到终点的路径。

- 如果找到了从起点到终点的路径,那么007可以逃脱,返回 "可能逃脱"。

  - 如果没有找到路径,那么007无法逃脱,返回 "不可能逃脱"。


这个问题的关键是用图的数据结构和选择适当的搜索算法来找到路径。也就是之前学过的图的遍历的一种应用,在实例中,情况会有所不同。007如果第一次能跳到鳄鱼上,那么在那第一只鳄鱼上,需要判断在跳跃半径内,是否有其他可以跳跃到的而且没有踩过的鳄鱼,这个就相当于有没有被访问过的节点。在过程中,要不断判断能不能直接从鳄鱼跳到岸上,如果能,就拯救成功了;如果不能,且没有其他可以跳跃的鳄鱼或者周围半径内所有能跳到的鳄鱼都是被自己踩过的,那么就往回跳,继续寻找跳跃点。

伪代码

总体算法

void Save007(Graph G)
{
    for (each V in G)
    {
        if (!visited[V] && FirstJump(V))
        {
            answer = DFS(V);
            if (answer == YES)
                break;
        }
    }
    
    if (answer == YES)
        output("Yes");
    else
        output("No");
}

DFS算法

int DFS(Vertex V)
{
    if (IsSafe(V))
        answer = YES;
    else
    {
        for (each W in G)
        {
            if (!visited[W] && Jump(V, W))
            {
                answer = DFS(W);
                if (answer == YES)
                    break;
            }
        }
    }
    
    return answer;
}

伪代码解读

总体算法


使用一个for循环遍历图中的每个顶点 "V"。


对于每个顶点 "V",if需要判断两个条件:1.是否之前未访问过。2.是否满足函数FirstJump的条件。(函数FirstJump用来判断一个顶点是否满足进行第一次跳跃的条件。)


如果这两个条件都满足,则调用函数DFS进行深度优先搜索,并将返回值存储在变量 answer 中。


如果answer的值等于YES,则跳出循环。表明可以从当前鳄鱼跳到岸边,成功脱离危险了。


在循环结束后,代码检查answer的值。如果等于YES,则输出 "Yes";否则输出 "No"。

DFS算法


首先先判断顶点V是否满足函数IsSafe的条件。如果满足条件,则将answer设置为YES。(IsSafe函数用于

判断顶点是否满足安全条件,即顶点是否在岸上。)


如果顶点V不满足条件,那么就对图中的每个顶点W进行遍历。


对于每个顶点W,进行两个判断:1.顶点W之前是否未被访问过。2.从顶点V是否可以跳到顶点W(使用函数Jump)


如果这两个条件都满足,则递归调用DFS函数,并将返回值存储在变量answer中。如果递归调用的结果为YES,则跳出循环。

最后,将answer的值作为结果返回。

具体实现(C语言)

#include <stdio.h>
#include <math.h>
 
#define MAX_VERTICES 100
 
typedef struct {
  double x;
  double y;
} Vertex;
 
int visited[MAX_VERTICES]; // 记录顶点是否已访问过
 
// 计算两点之间的欧氏距离(即利用平面上两点间的距离公式计算)
double calculateDistance(Vertex p1, Vertex p2) 
{
  double dx = p2.x - p1.x;
  double dy = p2.y - p1.y;
  return sqrt(dx * dx + dy * dy);
}
 
// 判断顶点是否安全
int IsSafe(Vertex V) 
{
  double distanceToIslandCenter = sqrt(V.x * V.x + V.y * V.y);
  if (distanceToIslandCenter <= 15.0) 
  {
    return 1; // 安全
  }
  else 
  {
    return 0; // 不安全
  }
}
 
// 判断是否可以从顶点V跳到顶点W
int Jump(Vertex V, Vertex W) 
{
  double distance = calculateDistance(W,V);
  if (distance <= 20.0) 
  {
    return 1; // 可以跳到
  }
  else 
  {
    return 0; // 无法跳到
  }
}
 
// 递归深度优先搜索
int DFS(int V, Vertex G[MAX_VERTICES]);
 
// 遍历图G中的每个顶点,查找是否有路径可以逃出生天
int Save007(Vertex G[MAX_VERTICES]) 
{
  int answer = 0; // 保存逃生结果
 
  for (int i = 0; i < MAX_VERTICES; i++) 
  {
    visited[i] = 0; // 初始化visited数组
  }
 
  for (int i = 0; i < MAX_VERTICES; i++) 
  {
    if (!visited[i] && IsSafe(G[i])) 
    {
      answer = DFS(i, G);
      if (answer == 1) 
      {
        break;
      }
    }
  }
 
  return answer;
}
 
// 递归深度优先搜索
int DFS(int V, Vertex G[MAX_VERTICES]) 
{
  visited[V] = 1; // 将顶点标记为已访问
 
  if (IsSafe(G[V])) 
  {
    return YES; // 可以逃出生天
  }
  else 
  {
    for (int i = 0; i < MAX_VERTICES; i++) 
    {
      if (!visited[i] && Jump(G[V], G[i])) 
      {
        int answer = DFS(i, G);
        if (answer == 1) 
        {
          return YES; // 可以逃出生天
        }
      }
    }
  }
 
  return NO; // 无法逃出生天
}

end



目录
相关文章
|
存储 监控 JavaScript
基于布隆过滤器的 Node.js 算法在局域网电脑桌面监控设备快速校验中的应用研究
本文探讨了布隆过滤器在局域网电脑桌面监控中的应用,分析其高效空间利用率、快速查询性能及动态扩容优势,并设计了基于MAC地址的校验模型,提供Node.js实现代码,适用于设备准入控制与重复数据过滤场景。
405 0
|
12月前
|
运维 监控 JavaScript
基于 Node.js 图结构的局域网设备拓扑分析算法在局域网内监控软件中的应用研究
本文探讨图结构在局域网监控系统中的应用,通过Node.js实现设备拓扑建模、路径分析与故障定位,提升网络可视化、可追溯性与运维效率,结合模拟实验验证其高效性与准确性。
600 3
|
12月前
|
机器学习/深度学习 资源调度 算法
遗传算法模型深度解析与实战应用
摘要 遗传算法(GA)作为一种受生物进化启发的优化算法,在复杂问题求解中展现出独特优势。本文系统介绍了GA的核心理论、实现细节和应用经验。算法通过模拟自然选择机制,利用选择、交叉、变异三大操作在解空间中进行全局搜索。与梯度下降等传统方法相比,GA不依赖目标函数的连续性或可微性,特别适合处理离散优化、多目标优化等复杂问题。文中详细阐述了染色体编码、适应度函数设计、遗传操作实现等关键技术,并提供了Python代码实现示例。实践表明,GA的成功应用关键在于平衡探索与开发,通过精心调参维持种群多样性同时确保收敛效率
|
12月前
|
机器学习/深度学习 边缘计算 人工智能
粒子群算法模型深度解析与实战应用
蒋星熠Jaxonic是一位深耕智能优化算法领域多年的技术探索者,专注于粒子群优化(PSO)算法的研究与应用。他深入剖析了PSO的数学模型、核心公式及实现方法,并通过大量实践验证了其在神经网络优化、工程设计等复杂问题上的卓越性能。本文全面展示了PSO的理论基础、改进策略与前沿发展方向,为读者提供了一份详尽的技术指南。
粒子群算法模型深度解析与实战应用
|
C语言
C语言中条件操作符的应用
最后,条件操作符是个超级英雄,但不是每个代码问题都需要一个超级英雄来解决。一定要在适当的时候适度的使用它,那么它将成为你的编程工具箱中的一件强力工具。
611 75
|
分布式计算 并行计算 算法
MapReduce在实现PageRank算法中的应用
总结来说,在实现PageRank算法时使用MapReduce能够有效地进行大规模并行计算,并且具有良好的容错性和可扩展性。
625 76
|
12月前
|
机器学习/深度学习 算法 安全
小场景大市场:猫狗识别算法在宠物智能设备中的应用
将猫狗识别算法应用于宠物智能设备,是AIoT领域的重要垂直场景。本文从核心技术、应用场景、挑战与趋势四个方面,全面解析这一融合算法、硬件与用户体验的系统工程。
1004 0
|
机器学习/深度学习 人工智能 自然语言处理
深度学习模型、算法与应用的全方位解析
深度学习,作为人工智能(AI)的一个重要分支,已经在多个领域产生了革命性的影响。从图像识别到自然语言处理,从语音识别到自动驾驶,深度学习无处不在。本篇博客将深入探讨深度学习的模型、算法及其在各个领域的应用。
2178 3
|
机器学习/深度学习 人工智能 算法
AI-Compass 强化学习模块:理论到实战完整RL技术生态,涵盖10+主流框架、多智能体算法、游戏AI与金融量化应用
AI-Compass 强化学习模块:理论到实战完整RL技术生态,涵盖10+主流框架、多智能体算法、游戏AI与金融量化应用
|
存储 监控 安全
企业上网监控系统中红黑树数据结构的 Python 算法实现与应用研究
企业上网监控系统需高效处理海量数据,传统数据结构存在性能瓶颈。红黑树通过自平衡机制,确保查找、插入、删除操作的时间复杂度稳定在 O(log n),适用于网络记录存储、设备信息维护及安全事件排序等场景。本文分析红黑树的理论基础、应用场景及 Python 实现,并探讨其在企业监控系统中的实践价值,提升系统性能与稳定性。
833 1

热门文章

最新文章