【组合数学】非降路径问题 ( 非降路径问题概要说明 | 非降路径问题基本模型 | 非降路径问题拓展模型 1 非原点起点 | 非降路径问题拓展模型 2 有途经点 )

简介: 【组合数学】非降路径问题 ( 非降路径问题概要说明 | 非降路径问题基本模型 | 非降路径问题拓展模型 1 非原点起点 | 非降路径问题拓展模型 2 有途经点 )

文章目录

一、非降路径问题 概要说明

二、非降路径问题 基本模型

二、非降路径问题 拓展模型 1

三、非降路径问题 拓展模型 2



组合恒等式参考博客 :


【组合数学】二项式定理与组合恒等式 ( 二项式定理 | 三个组合恒等式 递推式 | 递推式 1 | 递推式 2 | 递推式 3 帕斯卡/杨辉三角公式 | 组合分析方法 | 递推式组合恒等式特点 )

【组合数学】组合恒等式 ( 递推 组合恒等式 | 变下项求和 组合恒等式 简单和 | 变下项求和 组合恒等式 交错和 )

【组合数学】组合恒等式 ( 变下项求和 3 组合恒等式 | 变下项求和 4 组合恒等式 | 二项式定理 + 求导 证明组合恒等式 | 使用已知组合恒等式证明组合恒等式 )

【组合数学】组合恒等式 ( 八个组合恒等式回顾 | 组合恒等式 积 1 | 证明 | 使用场景 )

【组合数学】组合恒等式 ( 组合恒等式 积之和 1 | 积之和 1 证明 | 组合恒等式 积之和 2 | 积之和 2 证明 )






一、非降路径问题 概要说明


非降路径问题 是组合计数模型 , 利用该组合计数模型 , 可以处理一些常见的组合计数问题 ;



非降路径问题 :


( 1 ) 基本模型


( 2 ) 在限制条件下的非降路径个数


( 3 ) 非降路径模型应用


① 证明恒等式

② 单调函数计数

③ 栈输出





二、非降路径问题 基本模型


image.png


计算 从 ( 0 , 0 ) (0,0)(0,0) 到 ( m , n ) (m, n)(m,n) 的非降路径条数 ?



1 . 非降路径要求 :


出发点 : 从 ( 0 , 0 ) (0,0)(0,0) 出发 ;


移动坐标要求 : 向右走 整数坐标 , 水平和垂直坐标都走 整数长度 ;


移动方向要求 : 每次只能向右 , 或者向上移动 ; 不能向左 , 向下走 ;




2 . 转为选取问题 : 将其变成一个选取问题 ,


步数分析 : 从 ( 0 , 0 ) (0,0)(0,0) 到 ( m , n ) (m, n)(m,n) , 向右要走 m mm 步 , 向上要走 n nn 步 ;


选取问题说明 : 总共走 m + n m+nm+n 步 , 需要选择那些步向上 , 哪些步向右 , 只要在之和 m + n m + nm+n 步中 , 将向右的 m mm 步都标定后 , 剩下的就是向上的步了 ;


选取问题组合数计算 : 因此这里只要 从 m + n m+nm+n 步中选取 m mm 步即可 , 结果是 C ( m + n , m ) C(m+n, m)C(m+n,m) , 又可以写成 ( m + n m ) \dbinom{m + n}{m}(

m

m+n


)






二、非降路径问题 拓展模型 1


计算 从 ( a , b ) (a,b)(a,b) 到 ( m , n ) (m, n)(m,n) 的非降路径条数 ?



上述 从 ( a , b ) (a,b)(a,b) 到 ( m , n ) (m, n)(m,n) 的非降路径数 ,


等于


从 ( 0 , 0 ) (0,0)(0,0) 到 ( m − a , n − b ) (m-a, n-b)(m−a,n−b) 的非降路径数 ;



坐标平移 : 上述的原理是 坐标平移 , 将整体坐标 向左平移 a aa , 向下平移 b bb , 即可得到 从 ( 0 , 0 ) (0,0)(0,0) 到 ( m − a , n − b ) (m-a, n-b)(m−a,n−b) 的 非降路径问题基本模型 ;



因此 从 ( a , b ) (a,b)(a,b) 到 ( m , n ) (m, n)(m,n) 的非降路径条数为 C ( m − a + n − b , m − a ) C(m-a + n-b , m-a)C(m−a+n−b,m−a) 条 ;






三、非降路径问题 拓展模型 2


计算 从 ( a , b ) (a,b)(a,b) 经过 ( c , d ) (c, d)(c,d) 到 ( m , n ) (m, n)(m,n) 的非降路径条数 ?



1 . 计算过程说明 :


( 1 ) 分步处理 : 使用 分步计数原理 , 对应乘法法则 ;


( 2 ) 第一步 : 先计算从 ( a , b ) (a,b)(a,b) 到 ( c , d ) (c, d)(c,d) 的非降路径条数 ;


( 3 ) 第二步 : 然后计算从 ( c , d ) (c, d)(c,d) 到 ( m , n ) (m, n)(m,n) 的非降路径条数 ;


( 4 ) 乘法法则 : 根据乘法法则 , 将上述两个结果相乘 , 最终就是结果要求的非降路径条数 ;




2 . 计算第一步


计算从 ( a , b ) (a,b)(a,b) 到 ( c , d ) (c, d)(c,d) 的非降路径条数 , 代入之前的 公式


从 ( a , b ) (a,b)(a,b) 到 ( m , n ) (m, n)(m,n) 的非降路径条数为 C ( m − a + n − b , m − a ) C(m-a + n-b , m-a)C(m−a+n−b,m−a) 条


结果为 : C ( c − a + c − b , c − a ) C(c-a + c-b , c-a)C(c−a+c−b,c−a)




3 . 计算第二步


计算从 ( c , d ) (c,d)(c,d) 到 ( m , n ) (m, n)(m,n) 的非降路径条数 , 代入之前的 公式


从 ( a , b ) (a,b)(a,b) 到 ( m , n ) (m, n)(m,n) 的非降路径条数为 C ( m − a + n − b , m − a ) C(m-a + n-b , m-a)C(m−a+n−b,m−a) 条


结果为 : C ( m − c + n − d , m − c ) C(m-c + n-d , m-c)C(m−c+n−d,m−c)




4 . 乘法法则


将上述两个非降路径数相乘 , 就是最终结果 ;


从 ( a , b ) (a,b)(a,b) 经过 ( c , d ) (c, d)(c,d) 到 ( m , n ) (m, n)(m,n) 的非降路径条数是 : C ( c − a + c − b , c − a ) C ( m − c + n − d , m − c ) C(c-a + c-b , c-a) C(m-c + n-d , m-c)C(c−a+c−b,c−a)C(m−c+n−d,m−c)


目录
相关文章
|
7月前
|
人工智能 JSON 自然语言处理
多快好省,Qwen3混合部署模式引爆MCP
本文介绍了MCP(Model Context Protocol)与Qwen3模型的结合应用。MCP通过统一协议让AI模型连接各种工具和数据源,类似AI世界的“USB-C”接口。文中详细解析了MCP架构,包括Host、Client和Server三个核心组件,并说明了模型如何智能选择工具及工具执行反馈机制。Qwen3作为新一代通义千问模型,采用混合专家架构,具备235B参数但仅需激活22B,支持快速与深度思考模式,多语言处理能力覆盖119种语言。文章还展示了Qwen3的本地部署流程,以及开发和调试MCP Server与Client的具体步骤。
2342 36
多快好省,Qwen3混合部署模式引爆MCP
|
8月前
|
前端开发 JavaScript API
Webview+Python:用HTML打造跨平台桌面应用的创新方案
本文系统介绍了使用PyWebView库结合HTML/CSS/JavaScript开发跨平台桌面应用的方法。相比传统方案(如PyQt、Tkinter),PyWebView具备开发效率高、界面美观、资源占用低等优势。文章从技术原理、环境搭建、核心功能实现到性能优化与实战案例全面展开,涵盖窗口管理、双向通信、系统集成等功能,并通过“智能文件管理器”案例展示实际应用。适合希望快速构建跨平台桌面应用的Python开发者参考学习。
849 1
|
人工智能 监控
unsloth微调LLama3,指令遵循优化模型独家秘籍
【10月更文挑战第15天】在人工智能领域,LLama3是一款基于Transformer架构的先进语言模型,通过大量数据训练,学习了语言的模式和规律。然而,面对特定任务时,仍需微调以提升性能。unsloth工具为此提供了极大便利,通过数据增强、正则化、学习率调整等优化策略,有效提升了LLama3的指令遵循能力。本文将介绍如何利用unsloth对LLama3进行微调,包括数据准备、模型加载、微调过程及性能监控等步骤。
477 4
|
机器学习/深度学习 Kubernetes 算法框架/工具
容器服务 ACK 大模型推理最佳实践系列一:TensorRT-LLM
在 ACK 中使用 KServe 部署 Triton+TensorRT-LLM
|
人工智能 Cloud Native 数据管理
重磅升级,阿里云发布首个“Data+AI”驱动的一站式多模数据平台
阿里云发布首个AI多模数据管理平台DMS,助力业务决策提效10倍
1643 17
|
算法 安全 前端开发
基于postMessage和BroadcastChannel实现浏览器跨Tab窗口通信的方法介绍
基于postMessage和BroadcastChannel实现浏览器跨Tab窗口通信的方法介绍
439 0
|
网络协议 JavaScript 前端开发
将websocket封装成一个class,断线可重连
将websocket封装成一个class,断线可重连
547 3
|
机器学习/深度学习 自然语言处理
一文搞懂Transformer的位置编码
一文搞懂Transformer的位置编码
4547 2
|
机器学习/深度学习 存储 编解码
在消费级GPU调试LLM的三种方法:梯度检查点,LoRA和量化
LLM的问题就是权重参数太大,无法在我们本地消费级GPU上进行调试,所以我们将介绍3种在训练过程中减少内存消耗,节省大量时间的方法:梯度检查点,LoRA和量化。
826 0