【leetcode热题】 地下城游戏

这篇具有很好参考价值的文章主要介绍了【leetcode热题】 地下城游戏。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

恶魔们抓住了公主并将她关在了地下城 dungeon 的 右下角 。地下城是由 m x n 个房间组成的二维网格。我们英勇的骑士最初被安置在 左上角 的房间里,他必须穿过地下城并通过对抗恶魔来拯救公主。

骑士的初始健康点数为一个正整数。如果他的健康点数在某一时刻降至 0 或以下,他会立即死亡。

有些房间由恶魔守卫,因此骑士在进入这些房间时会失去健康点数(若房间里的值为负整数,则表示骑士将损失健康点数);其他房间要么是空的(房间里的值为 0),要么包含增加骑士健康点数的魔法球(若房间里的值为正整数,则表示骑士将增加健康点数)。

为了尽快解救公主,骑士决定每次只 向右 或 向下 移动一步。

返回确保骑士能够拯救到公主所需的最低初始健康点数。

注意:任何房间都可能对骑士的健康点数造成威胁,也可能增加骑士的健康点数,包括骑士进入的左上角房间以及公主被监禁的右下角房间。

示例 1:

【leetcode热题】 地下城游戏,leetcode热题,leetcode,游戏,代理模式

输入:dungeon = [[-2,-3,3],[-5,-10,1],[10,30,-5]]
输出:7
解释:如果骑士遵循最佳路径:右 -> 右 -> 下 -> 下 ,则骑士的初始健康点数至少为 7 。

示例 2:

输入:dungeon = [[0]]
输出:1

解法一 回溯法

最直接暴力的方法就是做搜索了,在每个位置无非就是向右向下两种可能,然后去尝试所有的解,然后找到最小的即可,也就是做一个 DFS 或者说是回溯法。

//全局变量去保存最小值
int minHealth = Integer.MAX_VALUE;

public int calculateMinimumHP(int[][] dungeon) {
    //calculateMinimumHPHelper 四个参数
    //int x, int y, int health, int addHealth, int[][] dungeon
    //x, y 代表要准备到的位置,x 代表是哪一列,y 代表是哪一行
    //health 代表当前的生命值
    //addHealth 代表当前已经增加的生命值
    //初始的时候给加 1 点血,addHealth 和 health 都是 1
    calculateMinimumHPHelper(0, 0, 1, 1, dungeon);
    return minHealth;
}

private void calculateMinimumHPHelper(int x, int y, int health, int addHealth, int[][] dungeon) {
    //加上当前位置的奖励或惩罚
    health = health + dungeon[y][x];
    //此时是否需要加血,加血的话就将 health 加到 1
    if (health <= 0) {
        addHealth = addHealth + Math.abs(health) + 1;
    }

    //是否到了终点
    if (x == dungeon[0].length - 1 && y == dungeon.length - 1) {
        minHealth = Math.min(addHealth, minHealth);
        return;
    }

    //是否加过血
    if (health <= 0) {
        //加过血的话,health 就变为 1
        if (x < dungeon[0].length - 1) {
            calculateMinimumHPHelper(x + 1, y, 1, addHealth, dungeon);
        }
        if (y < dungeon.length - 1) {
            calculateMinimumHPHelper(x, y + 1, 1, addHealth, dungeon);
        }
    } else {
        //没加过血的话,health 就是当前的 health
        if (x < dungeon[0].length - 1) {
            calculateMinimumHPHelper(x + 1, y, health, addHealth, dungeon);
        }
        if (y < dungeon.length - 1) {
            calculateMinimumHPHelper(x, y + 1, health, addHealth, dungeon);
        }
    }

}

然后结果是意料之中的,会超时。

【leetcode热题】 地下城游戏,leetcode热题,leetcode,游戏,代理模式

然后我们就需要剪枝,将一些情况提前结束掉,最容易想到的就是,如果当前加的血已经超过了全局最小值,那就可以直接结束,不用进后边的递归。

if (addHealth > minHealth) {
    return;
}
Copy

然后发现对于给定的 test case 并没有什么影响。

之所以超时,就是因为我们会经过很多重复的位置,比如

0 1 2
3 4 5
6 7 8
如果按 DFS,第一条路径就是 0 -> 1 -> 2 -> 5 -> 8
然后通过回溯,第二次判断的路径就会是 0 -> 1 -> 4 -> 5 -> ...
我们会发现它又会来到 5 这个位置
其他的也类似,如果表格很大的话,不停的回溯,一些位置会经过很多次

接下来,就会想到用 map 去缓冲我们过程中求出的解,key 话当然是 x 和 y 了,value 呢?存当前的 health 和 addhealth?那第二次来到这个位置的时候,我们并不能做什么,比如举个例子。

第一次来到 (3,5) 的时候,health 是 5addhealth 是 6

第二次来到 (3,5) 的时候,health 是 4addhealth 是 7,我们什么也做不了,我们并不知道未来它会走什么路。

因为走的路是由 health 和 addhealth 共同决定的,此时来到相同的位置,由于 health 和 addhealth 都不一样,所以未来的路也很有可能变化,所以我们并不能通过缓冲结果来剪枝。

我们最多能判断当 xyhealth 和 addhealth 全部相同的时候提前结束,但这种情况也很少,所以并不能有效的加快搜索速度。

这条路看起来到死路了,我们换个思路,去用动态规划。

动态规划的关键就是去定义我们的状态了,这里直接将要解决的问题定义为我们的状态。

用 dp[i][j] 存储从起点 (0, 0) 到达 (i, j) 时候所需要的最小初始生命值。

到达 (i,j) 有两个点,(i-1, j) 和 (i, j-1)

接下来就需要去推导状态转移方程了。

* * 8 * 
* 7 ! ?
? ? ? ?

假如我们要求上图中 ! 位置的 dp,假设之前的 dp 已经都求出来了。

那么 dp 是等于感叹号上边的 dp 还是等于它左边的 dp 呢?选较小的吗?

但如果 8 对应的当时的 health 是 100,而 7 对应的是 5,此时更好的选择应该是 8

那就选 health 大的呗,那 dp 不管了吗?极端的例子,假如此时的位置已经是终点了,很明显我们应该选择从左边过来,也就是 7 的位置过来,之前的 health 并不重要了。

所以推到这里会发现,因为我们有两个不确定的变量,一个是 dp ,也就是从起点 (0, 0) 到达 (i, j) 时候所需要的最小初始生命值,还有一个就是当时剩下的生命值。

当更新 dp 的时候我们并不知道它应该是从上边下来,还是从左边过来有利于到达终点的时候所需的初始生命值最小。

换句话讲,依赖过去的状态,并不能指导我们当前的选择,因为还需要未来的信息。

所以到这里,我再次走到了死胡同,就去看 Discuss 了,这里分享下别人的做法。

解法二 递归

看到 这里 评论区的一个解法。

所需要做的就是将上边动态规划的思路逆转一下。

  ↓
→ *

之前我们考虑的是当前这个位置,它应该是从上边下来还是左边过来会更好些,然后发现并不能确定。

现在的话,看下边的图。

* → x  
↓
y

我们现在考虑从当前位置,应该是向右走还是向下走,这样我们是可以确定的。

如果我们知道右边的位置到终点的需要的最小生命值是 x,下边位置到终点需要的最小生命值是 y

很明显我们应该选择所需生命值较小的方向。

如果 x < y,我们就向右走。

如果 x > y,我们就向下走。

知道方向以后,当前位置到终点的最小生命值 need 就等于 x 和 y 中较小的值减去当前位置上边的值。

如果算出来 need 大于 0,那就说明我们需要 need 的生命值到达终点。

如果算出来 need 小于等于 0,那就说明当前位置增加的生命值很大,所以当前位置我们只需要给一个最小值 1,就足以走到终点。

举个具体的例子就明白了。

如果右边的位置到终点的需要的最小生命值是 5,下边位置到终点需要的最小生命值是 8

所以我们选择向右走。

如果当前位置的值是 2,然后 need = 5 - 2 = 3,所以当前位置的初始值应该是 3

如果当前位置的值是 -3,然后 need = 5 - (-3) = 8,所以当前位置的初始值应该是 8

如果当前位置的值是 10,说明增加的生命值很多,need = 5 - 10 = -5,此时我们只需要将当前位置的生命值初始为 1 即可。

然后每个位置都这样考虑,递归也就出来了。

递归出口也很好考虑, 那就是最后求终点到终点需要的最小生命值。

如果终点位置的值是正的,那么所需要的最小生命值就是 1

如果终点位置的值是负的,那么所需要的最小生命值就是负值的绝对值加 1

public int calculateMinimumHP(int[][] dungeon) {
    return calculateMinimumHPHelper(0, 0, dungeon);
}

private int calculateMinimumHPHelper(int i, int j, int[][] dungeon) {
    //是否到达终点
    if (i == dungeon.length - 1 && j == dungeon[0].length - 1) {
        if (dungeon[i][j] > 0) {
            return 1;
        } else {
            return -dungeon[i][j] + 1;
        }
    }
    //右边位置到达终点所需要的最小值,如果已经在右边界,不能往右走了,赋值为最大值
    int right = j < dungeon[0].length - 1 ? calculateMinimumHPHelper(i, j + 1, dungeon) : Integer.MAX_VALUE;
    //下边位置到达终点需要的最小值,如果已经在下边界,不能往下走了,赋值为最大值
    int down = i < dungeon.length - 1 ? calculateMinimumHPHelper(i + 1, j, dungeon) : Integer.MAX_VALUE;
    //当前位置到终点还需要的生命值
    int need = right < down ? right - dungeon[i][j] : down - dungeon[i][j];
    if (need <= 0) {
        return 1;
    } else {
        return need;
    }
}

当然还是意料之中的超时了。

【leetcode热题】 地下城游戏,leetcode热题,leetcode,游戏,代理模式

不过不要慌,还是之前的思想,我们利用 map 去缓冲中间过程的值,也就是 memoization 技术。

这个 map 的 key 和 value 就显而易见了,key 是坐标 i,jvalue 的话就存当最后求出来的当前位置到终点所需的最小生命值,也就是 return 前同时存进 map 中。

public int calculateMinimumHP(int[][] dungeon) {
    return calculateMinimumHPHelper(0, 0, dungeon, new HashMap<String, Integer>());
}

private int calculateMinimumHPHelper(int i, int j, int[][] dungeon, HashMap<String, Integer> map) {
    if (i == dungeon.length - 1 && j == dungeon[0].length - 1) {
        if (dungeon[i][j] > 0) {
            return 1;
        } else {
            return -dungeon[i][j] + 1;
        }
    }
    String key = i + "@" + j;
    if (map.containsKey(key)) {
        return map.get(key);
    }
    int right = j < dungeon[0].length - 1 ? calculateMinimumHPHelper(i, j + 1, dungeon, map) : Integer.MAX_VALUE;
    int down = i < dungeon.length - 1 ? calculateMinimumHPHelper(i + 1, j, dungeon, map) : Integer.MAX_VALUE;
    int need = right < down ? right - dungeon[i][j] : down - dungeon[i][j];
    if (need <= 0) {
        map.put(key, 1);
        return 1;
    } else {
        map.put(key, need);
        return need;
    }
}

解法三 动态规划

其实解法二递归写完以后,很快就能想到动态规划怎么去解了。虽然它俩本质是一样的,但用动态规划可以节省递归压栈的时间,直接从底部往上走。

我们的状态就定义成解法二递归中返回的值,用 dp[i][j] 表示从 (i, j) 到达终点所需要的最小生命值。

状态转移方程的话和递归也一模一样,只需要把函数调用改成取直接取数组的值。

因为对于边界的情况,我们需要赋值为最大值,所以数组的话我们也扩充一行一列将其初始化为最大值,比如

奖惩数组
1   -3   3
0   -2   0
-3  -3   -3

dp 数组
终点位置就是递归出口时候返回的值,边界扩展一下
用 M 表示 Integer.MAXVALUE
0 0 0 M
0 0 0 M
0 0 4 M
M M M M

然后就可以一行一行或者一列一列的去更新 dp 数组,当然要倒着更新
因为更新 dp[i][j] 的时候我们需要 dp[i+1][j] 和 dp[i][j+1] 的值

然后代码就出来了,可以和递归代码做个对比。

public int calculateMinimumHP(int[][] dungeon) {
    int row = dungeon.length;
    int col = dungeon[0].length;
    int[][] dp = new int[row + 1][col + 1];
    //终点所需要的值
    dp[row - 1][col - 1] = dungeon[row - 1][col - 1] > 0 ? 1 : -dungeon[row - 1][col - 1] + 1;
    //扩充的边界更新为最大值
    for (int i = 0; i <= col; i++) {
        dp[row][i] = Integer.MAX_VALUE;
    }
    for (int i = 0; i <= row; i++) {
        dp[i][col] = Integer.MAX_VALUE;
    }

    //逆过来更新
    for (int i = row - 1; i >= 0; i--) {
        for (int j = col - 1; j >= 0; j--) {
            if (i == row - 1 && j == col - 1) {
                continue;
            }
            //选择向右走还是向下走
            dp[i][j] = Math.min(dp[i + 1][j], dp[i][j + 1]) - dungeon[i][j];
            if (dp[i][j] <= 0) {
                dp[i][j] = 1;
            }
        }
    }
    return dp[0][0];
}

如果动态规划做的多的话,必不可少的一步就是空间复杂度可以进行优化,比如 5题,10题,53题,72题 ,115 题 等等都已经用过了。

因为我们的 dp 数组在更新第 i 行的时候,我们只需要第 i+1 行的信息,而 i+2i+3 行的信息我们就不再需要了,我们我们其实不需要二维数组,只需要一个一维数组就足够了。文章来源地址https://www.toymoban.com/news/detail-841818.html

public int calculateMinimumHP(int[][] dungeon) {
    int row = dungeon.length;
    int col = dungeon[0].length;
    int[] dp = new int[col + 1];

    for (int i = 0; i <= col; i++) {
        dp[i] = Integer.MAX_VALUE;
    }
    dp[col - 1] = dungeon[row - 1][col - 1] > 0 ? 1 : -dungeon[row - 1][col - 1] + 1;
    for (int i = row - 1; i >= 0; i--) {
        for (int j = col - 1; j >= 0; j--) {
            if (i == row - 1 && j == col - 1) {
                continue;
            }
            dp[j] = Math.min(dp[j], dp[j + 1]) - dungeon[i][j];
            if (dp[j] <= 0) {
                dp[j] = 1;
            }
        }
    }
    return dp[0];
}

到了这里,关于【leetcode热题】 地下城游戏的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 174-地下城游戏

    恶魔们抓住了公主并将她关在了地下城 dungeon 的 右下角 。地下城是由 m x n 个房间组成的二维网格。我们英勇的骑士最初被安置在 左上角 的房间里,他必须穿过地下城并通过对抗恶魔来拯救公主。 骑士的初始健康点数为一个正整数。如果他的健康点数在某一时刻降至 0 或以

    2024年02月11日
    浏览(43)
  • 力扣 -- 174. 地下城游戏

    题目链接:174. 地下城游戏 - 力扣(LeetCode)  下面是用动态规划的思想解决这道题的过程,相信各位小伙伴都能看懂并且掌握这道经典的动规题目滴。 参考代码:  以上就是分析这道dp题目的整个过程啦,你学会了吗?如果以上题解对你有所帮助,那么就点亮一下小心心,点

    2024年02月11日
    浏览(52)
  • 动态规划——地下城游戏

    leetcode在线oj题——地下城游戏 恶魔们抓住了公主并将她关在了地下城 dungeon 的 右下角 。地下城是由 m x n 个房间组成的二维网格。我们英勇的骑士最初被安置在 左上角 的房间里,他必须穿过地下城并通过对抗恶魔来拯救公主。 骑士的初始健康点数为一个正整数。如果他的

    2024年02月11日
    浏览(47)
  • 【学会动态规划】地下城游戏(10)

    目录 动态规划怎么学? 1. 题目解析 2. 算法原理 1. 状态表示 2. 状态转移方程 3. 初始化 4. 填表顺序 5. 返回值 3. 代码编写 写在最后: 学习一个算法没有捷径,更何况是学习动态规划, 跟我一起刷动态规划算法题,一起学会动态规划! 题目链接:174. 地下城游戏 - 力扣(Lee

    2024年02月14日
    浏览(50)
  • dp算法 力扣174地下城游戏

    在学习编程时,算法是一道硬菜,而dp作为算法的一份子,它的地位在编程界举足轻重。 174. 地下城游戏 - 力扣(LeetCode) 本文是Java代码哦~ 恶魔们抓住了公主并将她关在了地下城 dungeon 的 右下角 。地下城是由 m x n 个房间组成的二维网格。我们英勇的骑士最初被安置在 左上

    2024年02月16日
    浏览(40)
  • 【动态规划算法】第十题:174.地下城游戏

    💖作者:小树苗渴望变成参天大树🎈 🎉作者宣言:认真写好每一篇博客💤 🎊作者gitee:gitee✨ 💞作者专栏:C语言,数据结构初阶,Linux,C++ 动态规划算法🎄 如 果 你 喜 欢 作 者 的 文 章 ,就 给 作 者 点 点 关 注 吧! 今天我开始讲解动态规划第十题,也是路径问题的最后一

    2024年02月13日
    浏览(42)
  • 【动态规划专栏】专题二:路径问题--------6.地下城游戏

    本专栏内容为:算法学习专栏,分为优选算法专栏,贪心算法专栏,动态规划专栏以及递归,搜索与回溯算法专栏四部分。 通过本专栏的深入学习,你可以了解并掌握算法。 💓博主csdn个人主页:小小unicorn ⏩专栏分类:动态规划专栏 🚚代码仓库:小小unicorn的代码仓库🚚

    2024年02月22日
    浏览(57)
  • 【动态规划刷题 5】 最小路径和&&地下城游戏

    链接: 64. 最小路径和 给定一个包含非负整数的 m x n 网格 grid ,请找出一条从左上角到右下角的路径,使得路径上的数字总和为最小。 说明:每次只能向下或者向右移动一步。 输入:grid = [[1,3,1],[1,5,1],[4,2,1]] 输出:7 解释:因为路径 1→3→1→1→1 的总和最小。 示例 2: 输入

    2024年02月13日
    浏览(44)
  • 【动态规划】【 矩阵】【逆向思考】C++算法174地下城游戏

    视频算法专题 动态规划汇总 矩阵 逆向思考 恶魔们抓住了公主并将她关在了地下城 dungeon 的 右下角 。地下城是由 m x n 个房间组成的二维网格。我们英勇的骑士最初被安置在 左上角 的房间里,他必须穿过地下城并通过对抗恶魔来拯救公主。 骑士的初始健康点数为一个正整数

    2024年02月03日
    浏览(46)
  • 【动态规划上分复盘】这是你熟悉的地下城游戏吗?

    本文讲解关于动态规划思路的两道题目。 1.确定状态表示(确定dp数组的含义) 2.确定状态转移方程(确定dp的递推公式) 3.确定如何初始化(初始化要保证填表正确) 4.确定遍历顺序 5.返回值 点我直达~ 根据题目可知,每一个位置都对应这三种情况: (d[i][j]由题目给出。)

    2024年02月12日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包