A* 网格上滚模的可接受启发式
Posted
技术标签:
【中文标题】A* 网格上滚模的可接受启发式【英文标题】:A* Admissible Heuristic for die rolling on grid 【发布时间】:2013-05-09 00:03:20 【问题描述】:我需要一些帮助来为以下问题找到一个好的启发式方法:
您将获得一个
R
-by-C
网格和一个六面骰子。让start
和end
是此网格上的两个不同单元格。找到从start
到end
的路径,这样 当骰子沿着路径转动时,骰子向上看的面的总和是 最小。骰子的起始方向如下(“2”朝南):
我对这个问题建模的方法是将骰子面的值视为图中边的成本。图的顶点采用(row, col, die)
的形式(即网格中的位置和骰子的当前状态/方向)。一个顶点不仅仅是(row, col)
的原因是因为您最终可能会在同一个单元格上使用多个模具的配置/方向。
我使用 A* 来找到问题的解决方案;给出的答案是正确的,但效率不够。我已经确定问题出在我正在使用的启发式方法上。目前我正在使用曼哈顿距离,这显然是可以接受的。如果我将启发式乘以一个常数,它就不再可接受:它运行得更快,但它并不总能找到正确的答案。
我需要一些帮助来找到比曼哈顿距离更好的启发式方法。
【问题讨论】:
我认为你不应该使用 A* 但你应该尝试找到一些最短路径的模式。 “如果我将启发式乘以一个常数,它就不再可接受” - 我现在能想到的最好的方法是(manhattenDistance/3)*6 + (manhattenDistance%3)
,其中/
是整数除法,%
是 mod。这是有效的,因为在没有回溯的任何 3 次移动中,所有三个数字都是唯一的,所以我们可以得到的最小总和是 1+2+3 = 6 (%3
只是添加任何额外的,非三个动作的倍数)。以后再想一想,肯定还有更好的。
@BlueRaja-DannyPflughoeft 您可以在最后一个术语中略微改进您的启发式算法。如果 manhattenDistance%3 == 2,则这最后两步的最小值为 3,而不是您添加的 2。
@PaulManta 当然!这里是:pastebin.com/bSeM6WMT你也可以随意使用我回答中的代码。
只是好奇 -- 有没有人有 A* 或其他算法的示例,可以为 Paul 的示例找到总和为 1515 或更低的路径?
【参考方案1】:
好吧,我将在此处添加我的评论,因为它比 @larsmans 当前投票率最高的答案更优化 - 但是,我相信肯定有更好的东西(因此是赏金)。
如果我将启发式乘以常数,则不再允许
我能想到的最好的是(manhattenDistance/3)*6 + (manhattenDistance%3)
,其中/
是整数除法,%
是mod。这是有效的,因为在没有回溯的任何 3 次移动中,所有三个数字都是唯一的,所以我们可以得到的最小总和是 1+2+3 = 6 (%3 只是添加任何额外的非多重三步走).
[编辑] 正如@GrantS 在上面的 cmets 中指出的那样,我的启发式算法可以通过在 manhattenDistance%3 == 2
时添加额外的 1
来略微改进。这很容易做到没有条件:(manhattenDistance/3)*6 + (manhattenDistance%3)*3/2
【讨论】:
感谢您提供赏金!我很高兴你喜欢这个问题。 :) 我投了赞成票,尽管“更优”这句话让我不寒而栗……你会说“更优”吗? “更好”更好! 在我看来,如果要计算曼哈顿距离,不妨计算(或者更好的是预先计算)minimalR
和 minimalC
的最小路径总和(参见我的答案),在这种情况下,您无需满足于估计。我的答案为精确的最小路径总和提供了一个非常简单的计算。不好?【参考方案2】:
主要编辑 3:证明最佳可接受启发式应该基于 3.5m
从长远来看,沿着电路板旅行的平均成本必须接近3.5m
,其中m
是曼哈顿距离。因此,最好的启发式算法应该是3.5m
加上或减去一些小常数。
这样做的原因是,每当你在一个方向移动时,例如,从面向x1
的下一个移动方向,面向x2
,必须满足x1 + x2 = 7
。这是因为在垂直方向上的任何移动都会使面 x2 的方向保持不变。考虑从左到右旋转模具——无论你旋转多少次,正面和背面都保持不变。相反,如果您从前向后旋转模具,则左右面保持不变。
通过一些示例最容易看到这一点(所有示例都从问题中的配置开始)
6
2453
1
在这里你可以看到我们从y1=1
开始,然后无论我们在x 方向移动多少次,y 方向的下一个移动必须是y2=6
,所以y1+y2=7
。 (同样在 x 方向,2+5 = 7
和 4+3 = 7
的简单配对。
另一个例子是
35
26
14
在这个例子中,我们从x1=1
开始,无论之后多少次我们在y 方向上移动,下一个在x 方向上的移动必须是x2=6
。 (此外,我们在 y 方向上看到 4+3=7
的配对,在 x 方向上看到 2+5=7
。我们知道在这种情况下,x 方向上的下一步必须是 4
,下一步在 y 方向上必须是1
。)
这一切都假设它永远不值得回溯,但希望这可以被视为已读。
下面的原帖只是详细说明了应该如何调整3.5m
的估计值,以考虑到它在短期内被击败的能力。
作为旁注,正如我刚刚评论的 OP,A* 搜索可能根本不需要。简单地选择一条由 4 长水平部分和 4 长垂直部分组成的路径应该是有意义的,例如,这是最佳的。然后通过基于方向和 x-y 偏移的搜索或查找表来弥补剩余部分。 (但这个问题需要一个可接受的启发式,所以我将留下我的答案。)
主要编辑 2:总结原始实证工作,考虑以下 cmets
从长远来看,如上所述,您的平均每次移动成本为 3.5。这也可以在对以下数据的探索中凭经验看出。
这给出了3.5m
的天真估计,其中m
是曼哈顿距离。然而,这是一个高估,因为在短期内 有可能做得比平均水平更好。一个很好的假设是探索我们如何避免使用任何大于 3 的人脸。
3.5m
预测的要好。
如果我们从面 2 开始,我们可以在前 2 步中使用面 1 和 3,接下来 3 步比3.5m
预测的要好。
如果我们从人脸 3 开始,我们可以在前 2 步中使用人脸 1 和 2,接下来的 4 步比3.5m
预测的要好。
如果我们从面 4,5 或 6 开始,我们可以在前 3 步中使用面 1、2 和 3,比 @ 走 4.5 步更好987654350@ 预测。
正如 BlueRaja - Danny Pflughoeft 所建议的那样,只需针对骰子的每个起始可能性运行以下脚本,即可凭经验证实这一假设。所以一个简单的可接受统计量是3.5m - k
,其中k = max(f+1, 4.5)
,f
是起始面。但这有点笨拙,为m
的小值给出负数。编写一个程序化版本很容易,它会考虑您是否只有 1 步或 2 步或 3 步要走,见下文
static double Adm(int x, int y, int face /* start face */, out int m)
double adm = 0;
m = Math.Abs(x) + Math.Abs(y);
if (m >= 1)
if (face == 1)
adm += 2;
else
adm += 1;
m--;
if (m >= 1)
if (face <= 2)
adm += 3;
else
adm += 2;
m--;
if (m >= 1 && face >=4)
// 4,5,6: we can still use a 3 without backtracking
adm += 3;
m--;
adm += 3.5 * m;
return adm;
使用 |x|,|y| <= 100
在搜索空间中运行此函数,此函数将实际成本低估了 0 到 6 之间,中位数为 0.5 或 1.5,具体取决于起始面。
主要编辑 1:原帖
我的基本想法是探索数据会很好。所以我去Dijkstra's algorithm 看看解决方案的空间是什么样的。我发现支持已经说过的话。曼哈顿距离的某些倍数是合适的,但对于高于 1.5 的因子可能有一些理由。成本与初始 x y 位置偏差的等值线图形状很好地表明了这一点。
这是一个线框图——老实说,这只是为了吸引眼球。
有趣的是,如果您在数据中添加另一列曼哈顿距离 (man) 并将成本 (v) 与 R 中的曼哈顿距离进行回归,您会得到以下结果
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.6408087 0.0113650 -56.38 <2e-16
df$man 3.4991861 0.0001047 33421.66 <2e-16
即它告诉您,对于您在水平或垂直方向上的每一步,您的成本为 3.4991861,或接近 3.5。这恰好是 1 到 6 的平均值,所以我的直觉是数据告诉我们,平均而言,在长距离内平均使用模具的所有面是最有效的。在短距离内,您可以更优化。
我尝试了3.5man - k
作为估计,k = 2.5
。这似乎工作正常。当我从中减去实际成本时,我得到 -0.5 作为最高值。
> summary(df$est - df$v)
Min. 1st Qu. Median Mean 3rd Qu. Max.
-6.500 -2.500 -2.000 -1.777 -1.000 -0.500
但是,A* 搜索必须适用于所有配置,包括那些在开始后芯片不在原始配置中的配置,因此常量k
通常不能低于2.5
。它要么需要提高,例如到4
,或者取决于模具的配置,如另一个答案中所建议的那样。
很可能我在所有这些方面都犯了一些可怕的错误,所以我将代码放在下面。就像我说的,我认为生成数据并对其进行调查的方法是合理的,即使我的结果并非如此。
这是结果文件的一些行。
17,-100,410
17,-99,406
17,-98,403
17,-97,399
17,-96,396
C#代码
class Die
int top;
int bottom;
int front;
int back;
int left;
int right;
public int Top get return top;
public int Bottom get return bottom;
public int Front get return front;
public int Back get return back;
public int Left get return left;
public int Right get return right;
public Die(int top, int bot, int fro, int bac, int lef, int rig)
this.top = top;
bottom = bot;
front = fro;
back = bac;
left = lef;
right = rig;
public Die RotateLeft()
return new Die(
top: right,
rig: bottom,
bot: left,
lef: top,
fro: front,
bac: back
);
public Die RotateRight()
return new Die(
rig: top,
top: left,
lef: bottom,
bot: right,
fro: front,
bac: back
);
public Die RotateUp()
return new Die(
top: front,
fro: bottom,
bot: back,
bac: top,
lef: left,
rig: right
);
public Die RotateDown()
return new Die(
fro: top,
top: back,
bac: bottom,
bot: front,
lef: left,
rig: right
);
class DieXY
public Die Die get; set;
public int X get; set;
public int Y get; set;
public DieXY(Die die, int x, int y) Die = die; X = x; Y = y;
public override int GetHashCode() return Die.Top + Die.Bottom*6 + Die.Front*6^2 + Die.Back*6^3 + Die.Left*6^4 + Die.Right*6^5 + X*6^6 + Y*6^8;
public override bool Equals(object obj)
DieXY die = (DieXY)obj;
return die != null
&& die.Die.Top == Die.Top && die.Die.Bottom == Die.Bottom
&& die.Die.Front == Die.Front && die.Die.Back == Die.Back
&& die.Die.Left == Die.Left && die.Die.Right == Die.Right
&& die.X == X && die.Y == Y;
class Program
static void Main(string[] args)
Dictionary<DieXY, int> dict = new Dictionary<DieXY, int>();
int n = 100;
int sofar = -1;
DieXY root = new DieXY(new Die(1, 6, 2, 5, 4, 3), 0, 0);
Queue<Tuple<DieXY, int>> queue = new Queue<Tuple<DieXY, int>>();
queue.Enqueue(new Tuple<DieXY,int>(root,0));
while (queue.Count > 0)
Tuple<DieXY, int> curr = queue.Dequeue();
DieXY dieXY = curr.Item1;
Die die = dieXY.Die;
int x = dieXY.X;
int y = dieXY.Y;
if (Math.Max(x,y) > sofar)
sofar = Math.Max(x, y);
Console.WriteLine("0", sofar);
int score = curr.Item2;
if (Math.Abs(x) <= n && Math.Abs(y) <= n)
int existingScore = 0;
if (!dict.TryGetValue(dieXY, out existingScore)
|| score < existingScore)
dict[dieXY] = score;
Die newDie = null;
newDie = die.RotateLeft();
queue.Enqueue(new Tuple<DieXY, int>(new DieXY(newDie, x - 1, y), score + newDie.Top));
newDie = die.RotateRight();
queue.Enqueue(new Tuple<DieXY, int>(new DieXY(newDie, x + 1, y), score + newDie.Top));
newDie = die.RotateUp();
queue.Enqueue(new Tuple<DieXY, int>(new DieXY(newDie, x, y + 1), score + newDie.Top));
newDie = die.RotateDown();
queue.Enqueue(new Tuple<DieXY, int>(new DieXY(newDie, x, y - 1), score + newDie.Top));
int[,] scores = new int[2*n+1,2*n+1];
for (int aX = 0; aX < 2 * n + 1; aX++)
for (int aY = 0; aY < 2 * n + 1; aY++)
scores[aX, aY] = int.MaxValue;
foreach (KeyValuePair<DieXY, int> curr in dict)
int aX = curr.Key.X + n;
int aY = curr.Key.Y + n;
if (curr.Value < scores[aX, aY])
scores[aX, aY] = curr.Value;
using (System.IO.StreamWriter file = new System.IO.StreamWriter("out.csv"))
file.WriteLine("x,y,v");
for (int aX = 0; aX < 2*n+1; aX++)
int x = aX - n;
for (int aY = 0; aY < 2 * n + 1; aY++)
int y = aY - n;
file.WriteLine("0,1,2", x, y, scores[aX, aY]);
Console.WriteLine("Written file");
Console.ReadKey();
R 代码如下
library(lattice)
df = read.csv("out.csv")
df=transform(df, man=abs(x)+abs(y))
v50=df[abs(df$x)<=50 & abs(df$y)<=50,]
with(v50, wireframe(v ~ x*y))
with(v50, contourplot(v ~ x*y))
summary(lm(df$v ~ df$man))
df$est = df$man * 3.5 - 2.5
summary(df$est - df$v)
【讨论】:
3.5man - 2.5
在从终点对角线的简单情况下失败 - 可能的最小值是 1+2 = 3
,但 3.5man - 2.5
给出 4.5
@BlueRaja-DannyPflughoeft 我可能误解了这个问题。我以为一开始,1 是向上看。所以你能得到的最小值是前滚(+2)和左旋转(+3)?
启发式算法需要应用于网格上的所有空间(和所有芯片配置)才能被 A* 使用
@BlueRaja-DannyPflughoeft 对不起,我现在明白你的意思了:重点不是开始位置;而是开始位置。这是必须为后续职位保留的。我对我所做的分析有点过度兴奋,忘记了大局!如果我提出的其余分析是正确的(并且我有一些疑问),我相信这可以通过减去一个更大的常数来解决,或者,也许正如另一个答案中所建议的那样,使你减去的常数取决于配置。
您可以简单地尝试为骰子的每个开始可能性运行脚本(顶部只有 24 - 6 个可能性,每个顶部有 4 个可能的方向);然后根据所有这些的最小移动次数进行分析。【参考方案3】:
如果我将启发式乘以常数,则不再允许
如果您摆脱了一些极端情况,则可能是这样。让 d 为曼哈顿距离,并观察骰子在路径的两个后续步骤中永远不会让其 1 面朝上。因此,如果您还没有达到目标:
第一步的成本至少为 1; 如果 1 面朝上,则至少为 2(同样适用于 6); 路径的其余部分至少与一系列 1-2 次交替的成本一样昂贵,成本为 1.5 × (d - 1)。所以一个可接受的启发式是
if d == 0 then
h := 0
else if die == 1 or die == 6 then
h := 2 + 1.5 × (d - 1)
else
h := 1 + 1.5 × (d - 1)
【讨论】:
【参考方案4】:这是我的算法应用于 Paul 的 300x300 网格示例,从 (23,25) 开始,到 (282, 199) 结束。它在 0.52 秒内找到最小路径和总和(1515,比 Paul 的结果 1517 少 2 个点)。使用查找表而不是计算小部分的版本需要 0.13 秒。
Haskell 代码:
import Data.List (minimumBy)
import Data.Ord (comparing)
import Control.Monad (guard)
rollDie die@[left,right,top,bottom,front,back] move
| move == "U" = [left,right,front,back,bottom,top]
| move == "D" = [left,right,back,front,top,bottom]
| move == "L" = [top,bottom,right,left,front,back]
| move == "R" = [bottom,top,left,right,front,back]
dieTop die = die!!2
--dieStartingOrientation = [4,3,1,6,2,5] --left,right,top,bottom,front,back
rows = 300
columns = 300
paths (startRow,startColumn) (endRow,endColumn) dieStartingOrientation =
solve (dieTop dieStartingOrientation,[]) [(startRow,startColumn)] dieStartingOrientation where
leftBorder = max 0 (min startColumn endColumn)
rightBorder = min columns (max startColumn endColumn)
topBorder = endRow
bottomBorder = startRow
solve result@(cost,moves) ((i,j):pathTail) die =
if (i,j) == (endRow,endColumn)
then [(result,die)]
else do
((i',j'),move) <- ((i+1,j),"U"):next
guard (i' <= topBorder && i' >= bottomBorder && j' <= rightBorder && j' >= leftBorder)
solve (cost + dieTop (rollDie die move),move:moves) ((i',j'):(i,j):pathTail) (rollDie die move)
where next | null pathTail = [((i,j+1),"R"),((i,j-1),"L")]
| head pathTail == (i,j-1) = [((i,j+1),"R")]
| head pathTail == (i,j+1) = [((i,j-1),"L")]
| otherwise = [((i,j+1),"R"),((i,j-1),"L")]
--300x300 grid starting at (23, 25) and ending at (282,199)
applicationNum =
let (r,c) = (282-22, 199-24)
numRowReductions = floor (r/4) - 1
numColumnReductions = floor (c/4) - 1
minimalR = r - 4 * fromInteger numRowReductions
minimalC = c - 4 * fromInteger numColumnReductions
in (fst . fst . minimumBy (comparing fst) $ paths (1,1) (minimalR,minimalC) [4,3,1,6,2,5])
+ 14*numRowReductions + 14*numColumnReductions
applicationPath = [firstLeg] ++ secondLeg ++ thirdLeg
++ [((0,["R"]),[])] ++ [minimumBy (comparing fst) $ paths (1,1) (2,4) die2]
where
(r,c) = (282-22, 199-24) --(260,175)
numRowReductions = floor (r/4) - 1
numColumnReductions = floor (c/4) - 1
minimalR = r - 4 * fromInteger numRowReductions
minimalC = c - 4 * fromInteger numColumnReductions
firstLeg = minimumBy (comparing fst) $ paths (1,1) (minimalR,minimalC) [4,3,1,6,2,5]
die0 = snd firstLeg
secondLeg = tail . foldr mfs0 [((0,["R"]),die0)] $ [1..numColumnReductions - 1]
die1 = snd . last $ secondLeg
thirdLeg = tail . foldr mfs1 [((0,[]),die1)] $ [1..numRowReductions - 3 * div (numColumnReductions - 1) 4 - 1]
die2 = rollDie (snd . last $ thirdLeg) "R"
mfs0 a b = b ++ [((0,["R"]),[])] ++ [minimumBy (comparing fst) $ paths (1,1) (4,4) (rollDie (snd . last $ b) "R")]
mfs1 a b = b ++ [((0,["U"]),[])] ++ [minimumBy (comparing fst) $ paths (1,1) (4,1) (rollDie (snd . last $ b) "U")]
输出:
*Main> applicationNum
1515
*Main> applicationPath
[((31,["R","R","R","R","U","U","R","U","R"]),[5,2,1,6,4,3])
,((0,["R"]),[]),((25,["R","R","R","U","U","U"]),[3,4,1,6,5,2])
,((0,["R"]),[]),((24,["R","U","R","R","U","U"]),[5,2,1,6,4,3])
................((17,["R","R","R","U"]),[5,2,1,6,4,3])]
(0.52 secs, 32093988 bytes)
“R”和“U”列表:
*Main> let listRL = concatMap (\((a,b),c) -> b) applicationPath
*Main> listRL
["R","R","R","R","U","U","R","U","R","R","R","R","R","U","U","U","R","R","U","R"
..."U","R","R","R","R","U"]
使用起始骰子和“R”和“U”列表的路径总和:
*Main> let sumPath path = foldr (\move (cost,die) -> (cost + dieTop (rollDie die move), rollDie die move)) (1,[4,3,1,6,2,5]) path
*Main> sumPath listRL
(1515,[5,2,1,6,4,3])
使用“R”和“U”列表从(1,1)
计算(r,c)
(因为我们从(1,1,)
开始,(r,c)
被调整为(282-22, 199-24)
:
*Main> let rc path = foldr (\move (r,c) -> if move == "R" then (r,c+1) else (r+1,c)) (1,1) path
*Main> rc listRL
(260,175)
算法/解决方案
Continuing the research below, it seems that the minimal face-sum path (MFS)
can be reduced, mod 4, by either rows or columns like so:
MFS (1,1) (r,c) == MFS (1,1) (r-4,c) + 14, for r > 7
== MFS (1,1) (r,c-4) + 14, for c > 7
This makes finding the number for the minimal path straightforward:
MFS (1,1) (r,c) =
let numRowReductions = floor (r/4) - 1
numColumnReductions = floor (c/4) - 1
minimalR = r - 4 * numRowReductions
minimalC = c - 4 * numColumnReductions
in MFS (1,1) (minimalR,minimalC) + 14*numRowReductions + 14*numColumnReductions
minimalR and minimalC are always less than eight, which means we can easily
pre-calculate the minimal-face-sums for these and use that table to quickly
output the overall solution.
但是我们如何找到路径呢? 根据我的测试,结果似乎类似:
MFS (1,1) (1,anything) = trivial
MFS (1,1) (anything,1) = trivial
MFS (1,1) (r,c), for r,c < 5 = calculate solution in your favorite way
MFS (1,1) (r,c), for either or both r,c > 4 =
MFS (1,1) (minimalR,minimalC) -> roll ->
MFS (1,1) (min 4 r-1, min 4 c-1) -> roll ->
...sections must be arranged so the last one includes
four rotations for one axis and at least one for the other.
keeping one row or column the same till the end seems to work.
(For Paul's example above, after the initial MFS box, I moved in
fours along the x-axis, rolling 4x4 boxes to the right, which
means the y-axis advanced in threes and then a section in fours
going up, until the last box of 2x4. I suspect, but haven't checked,
that the sections must divide at least one axis only in fours for
this to work)...
MFS (1,1) (either (if r > 4 then 4 else min 2 r, 4)
or (4, if c > 4 then 4 else min 2 c))
=> (r,c) is now reached
例如,
MFS (1,1) (5,13) = MFS (1,1) (1,5) -> roll right ->
MFS (1,1) (1,4) -> roll right -> MFS (1,1) (5,4)
MFS (1,1) (2,13) = MFS (1,1) (1,5) -> roll right ->
MFS (1,1) (1,4) -> roll right -> MFS (1,1) (2,4)
经验测试中观察到的骰子属性
For target points farther than (1,1) to (2,3), for example (1,1) to (3,4)
or (1,1) to (4,6), the minimum path top-face-sum (MFS) is equal if you
reverse the target (r,c). In other words:
1. MFS (1,1) (r,c) == MFS (1,1) (c,r), for r,c > 2
不仅如此。
2. MFS (1,1) (r,c) == MFS (1,1) (r',c'), for r,c,r',c' > 2 and r + c == r' + c'
e.g., MFS (1,1) (4,5) == MFS (1,1) (5,4) == MFS (1,1) (3,6) == MFS (1,1) (6,3)
但有趣的是:
The MFS for any target box (meaning from startPoint to endPoint) that
can be reduced to a symmetrical combination of (r,c) (r,c) or (r,c) (c,r), for
r,c > 2, can be expressed as the sum of the MFS of the two smaller symmetrical
parts, if the die-roll (the change in orientation) between the two parts is
accounted for. In other words, if this is true, we can breakdown the calculation
into smaller parts, which is much much faster.
For example:
Target-box (1,1) to (7,6) can be expressed as:
(1,1) (4,3) -> roll right -> (1,1) (4,3) with a different starting orientation
Check it, baby:
MFS (1,1) (7,6) = MFS (1,1) (4,3) + MFS (1,1) (4,3)
(when accounting for the change in starting orientation, rolling right in
between)
Eq. 2., implies that MFS (1,1) to (7,6) == MFS (1,1) (5,8)
and MFS (1,1) (5,8) can be expressed as (1,1) (3,4) -> roll right -> (1,1) (3,4)
Check it again:
MFS (1,1) (7,6) = MFS (1,1) (5,8) = MFS (1,1) (3,4) + MFS (1,1) (3,4)
(when accounting for the change in starting orientation, rolling right in
between)
不仅如此。
The symmetrical parts can apparently be combined in any way:
3. MFS (1,1) (r,c) -> roll-right -> MFS (1,1) (r,c) equals
MFS (1,1) (r,c) -> roll-right -> MFS (1,1) (c,r) equals
MFS (1,1) (r,c) -> roll-up -> MFS (1,1) (r,c) equals
MFS (1,1) (r,c) -> roll-up -> MFS (1,1) (c,r) equals
MFS (1,1) (2*r-1, 2*c) equals
MFS (1,1) (2*r, 2*c-1), for r,c > 2
【讨论】:
+1 我还得到了值 14,因为我注意到在直线上只有四个连续面孔的三个唯一序列(1-2-4-6
、1-2-5-6
和 2-3-4-5
) ,它们加起来是 14。这似乎是相关的,因为通过查看我的算法找到的路径,它倾向于以至少四行的长度行进。你在这里描述的启发式与我最终得到的非常相似。我也开始认为应该可以完全不使用搜索算法来做到这一点。
@PaulManta 我认为 groovy 和我发现了一些非常相似的东西,那就是你每 4 步支付 14,或者平均每步支付 3.5。这基本上是因为骰子的相对面加起来是 7。如果你继续朝着同一个方向前进,你不可避免地会在每隔一次移动时使用骰子的相对面。即使您改变方向(如我的帖子中更详细地解释的那样),仍然可以保证每隔一次移动仅计算单个方向上的移动使用骰子的相对侧。所以我同意根本不需要搜索。
@PaulManta:直线上的四步棋总和为 14 的事实是微不足道的(因为骰子的两侧总和为 7);问题是,通过曲折前进(或者甚至可能远离终点,我还不确定)可能会减少。我还没有读完这个答案(或 TooTone 的答案)来了解他们是如何解决这个问题的。
@BlueRaja-DannyPflughoeft 再次确认一下,我所说的意思是对于 face=f1
,如果您将骰子向上移动,例如,然后将骰子向左或向右移动任意数字次,然后再次向上移动骰子,骰子最终位于f2
,然后是f1+f2=7
。例如,在 OP 的配置中使用模具,f1=1
。如果你向上移动,那么面部=2
。然后假设你向右移动 3 次,得到脸4
,然后是5
,然后是3
。然后你再次向上移动,f2=6
,f1+f2=1+6=7
。这个例子的重点是,无论你向左或向右移动多少次,6
都是不变的。
@flup 是的,你可以,但是你有一个向上和向下的运动,然后回到自己身上会付出比你获得更多的代价(我确实在我的帖子中陈述了这个假设我认为这是合理的,但证明每步 3.5 步的基本原理花了很多时间,而且我已经没有时间对此进行更详细的介绍了,虽然很有趣!)。【参考方案5】:
想法:
如果你必须直线移动,你能做的最好的就是以 1 和 2 结束你的移动,对于所有其他移动,你不能做得比 3.5*distance
更好。
启发式:
对于ManhattanDistance = x + y
,可以使用以下启发式:
Heuristic = xH + yH;
在哪里
xH = calculateStraightLineHeuristic(x)
yH = calculateStraightLineHeuristic(y)
函数calculateStraightLineHeuristic(z)
定义如下:
calculateStraightLineHeuristic(z)
if (z = 1)
return zH = 1
elseif (z = 2)
return zH = 2+1
else
return zH = (z-2)*3.5+2+1
end
【讨论】:
以上是关于A* 网格上滚模的可接受启发式的主要内容,如果未能解决你的问题,请参考以下文章