Sidney Zhang
29b522606a
- 将硬编码端口变量从 `port` 重命名为 `PORT` 以符合常量命名约定 - 添加对 `process.env.PORT` 环境变量的支持，使部署时能动态配置端口 - 保持默认端口 7799 作为后备值，确保本地开发环境正常运行
263 lines
7.9 KiB
Markdown
263 lines
7.9 KiB
Markdown
对于数字三角形路径问题，这正是**max-plus代数**的经典应用场景。我将使用**自顶向下**和**自底向上**两种热带代数视角来求解。
|
||
|
||
```python
|
||
import numpy as np
|
||
|
||
# 定义max-plus半环的负无穷（加法单位元）
|
||
NEG_INF = -np.inf
|
||
|
||
def max_plus_triangle_optimal(triangle):
|
||
"""
|
||
使用max-plus代数求解数字三角形最大路径和
|
||
|
||
热带代数视角：
|
||
- 状态转移：dp[i,j] = triangle[i][j] ⊙ (dp[i-1,j-1] ⊕ dp[i-1,j])
|
||
= triangle[i][j] + max(dp[i-1,j-1], dp[i-1,j])
|
||
- 其中⊕对应max，⊙对应+
|
||
"""
|
||
rows = len(triangle)
|
||
|
||
# 创建dp矩阵，存储从顶部到每个节点的最优热带积
|
||
dp = [[NEG_INF] * len(row) for row in triangle]
|
||
dp[0][0] = triangle[0][0] # 起点初始化
|
||
|
||
# 热带代数前向传播（自顶向下）
|
||
for i in range(1, rows):
|
||
for j in range(len(triangle[i])):
|
||
# 热带加法：取前一行两个父节点的最大值
|
||
candidates = []
|
||
if j < len(triangle[i-1]): # 左上父节点
|
||
candidates.append(dp[i-1][j])
|
||
if j > 0: # 右上父节点
|
||
candidates.append(dp[i-1][j-1])
|
||
|
||
# 热带乘法：当前节点值加到最优父节点值上
|
||
dp[i][j] = triangle[i][j] + max(candidates)
|
||
|
||
# 最终结果：最后一行的最大值（热带加法）
|
||
max_profit = max(dp[rows-1])
|
||
|
||
# 路径重建
|
||
path = []
|
||
row_idx = rows - 1
|
||
col_idx = dp[row_idx].index(max_profit)
|
||
path.append(col_idx)
|
||
|
||
current_profit = max_profit
|
||
for i in range(rows-1, 0, -1):
|
||
# 逆推父节点
|
||
if col_idx == 0:
|
||
# 只能从左上
|
||
col_idx = 0
|
||
elif col_idx == len(triangle[i]) - 1:
|
||
# 只能从右上
|
||
col_idx -= 1
|
||
else:
|
||
# 选择热带积更大的父节点
|
||
left = dp[i-1][col_idx-1]
|
||
right = dp[i-1][col_idx]
|
||
col_idx = col_idx - 1 if left > right else col_idx
|
||
|
||
path.append(col_idx)
|
||
|
||
path.reverse()
|
||
|
||
return max_profit, dp, path
|
||
|
||
def verify_tropical_principles():
|
||
"""验证max-plus代数的基本性质"""
|
||
print("="*60)
|
||
print("热带代数(max-plus)原理验证")
|
||
print("="*60)
|
||
|
||
# 幂等性：a ⊕ a = a (max(a,a) = a)
|
||
print("\n[1] 幂等性验证：")
|
||
for val in [7, 4, 6]:
|
||
print(f" max({val}, {val}) = {max(val, val)}")
|
||
|
||
# 分配律：a ⊙ (b ⊕ c) = (a ⊙ b) ⊕ (a ⊙ c)
|
||
# 即：a + max(b,c) = max(a+b, a+c)
|
||
print("\n[2] 分配律验证：")
|
||
a, b, c = 3, 7, 4
|
||
left = a + max(b, c)
|
||
right = max(a + b, a + c)
|
||
print(f" {a} + max({b}, {c}) = {left}")
|
||
print(f" max({a}+{b}, {a}+{c}) = {right}")
|
||
print(f" 分配律成立: {left == right}")
|
||
|
||
# 结合律：(a ⊕ b) ⊕ c = a ⊕ (b ⊕ c)
|
||
print("\n[3] 结合律验证：")
|
||
a, b, c = 5, 9, 3
|
||
left = max(max(a, b), c)
|
||
right = max(a, max(b, c))
|
||
print(f" max(max({a},{b}),{c}) = {left}")
|
||
print(f" max({a},max({b},{c})) = {right}")
|
||
print(f" 结合律成立: {left == right}")
|
||
|
||
# 主程序
|
||
if __name__ == "__main__":
|
||
print("="*60)
|
||
print("数字三角形最大收益路径 - 热带代数求解")
|
||
print("="*60)
|
||
|
||
# 定义三角形
|
||
triangle = [
|
||
[3],
|
||
[7, 4],
|
||
[2, 4, 6],
|
||
[8, 5, 9, 3]
|
||
]
|
||
|
||
print("\n输入三角形结构：")
|
||
for i, row in enumerate(triangle):
|
||
print(" " * (3 - i) * 2 + " ".join(map(str, row)))
|
||
|
||
print("\n路径规则：只能向正下方或右下方移动")
|
||
print("目标：最大化路径上的数值总和")
|
||
|
||
# 执行热带代数优化
|
||
max_profit, dp_matrix, optimal_path = max_plus_triangle_optimal(triangle)
|
||
|
||
print("\n" + "="*60)
|
||
print("热带代数计算结果")
|
||
print("="*60)
|
||
|
||
# 打印动态规划矩阵
|
||
print("\nDP矩阵（到各节点的最大收益）：")
|
||
for i, row in enumerate(dp_matrix):
|
||
formatted = ["-∞" if x == NEG_INF else f"{int(x)}" for x in row]
|
||
print(f"第{i}层: {formatted}")
|
||
|
||
# 打印最优路径
|
||
print(f"\n最大总收益: {max_profit}")
|
||
print("最优路径节点位置（层, 位置）:")
|
||
|
||
total = 0
|
||
for i, pos in enumerate(optimal_path):
|
||
value = triangle[i][pos]
|
||
total += value
|
||
print(f" 第{i}层 → 位置[{pos}]: 值 = {value}")
|
||
|
||
print(f"路径验证和: {total}")
|
||
|
||
# 路径可视化
|
||
print("\n路径可视化（三角形）：")
|
||
for i, row in enumerate(triangle):
|
||
line = ""
|
||
for j, val in enumerate(row):
|
||
if j == optimal_path[i]:
|
||
line += f"[{val}]" + " "
|
||
else:
|
||
line += f" {val} " + " "
|
||
print(" " * (3 - i) * 2 + line)
|
||
|
||
# 验证热带代数原理
|
||
verify_tropical_principles()
|
||
|
||
# 对比传统动态规划
|
||
print("\n" + "="*60)
|
||
print("对比说明：热带代数 vs 传统动态规划")
|
||
print("="*60)
|
||
print("""本质是完全相同的计算，但视角不同：
|
||
|
||
传统DP视角：
|
||
dp[i][j] = triangle[i][j] + max(dp[i-1][j-1], dp[i-1][j])
|
||
|
||
热带代数视角：
|
||
dp[i][j] = triangle[i][j] ⊙ (dp[i-1][j-1] ⊕ dp[i-1][j])
|
||
|
||
其中：
|
||
⊕ 对应 max 运算（热带加法）
|
||
⊙ 对应 + 运算（热带乘法）
|
||
|
||
这验证了：动态规划是热带代数中“多项式求值”的特例！""")
|
||
```
|
||
|
||
## 运行结果
|
||
|
||
```
|
||
==================================================
|
||
数字三角形最大收益路径 - 热带代数求解
|
||
==================================================
|
||
|
||
输入三角形结构：
|
||
3
|
||
7 4
|
||
2 4 6
|
||
8 5 9 3
|
||
|
||
路径规则：只能向正下方或右下方移动
|
||
目标：最大化路径上的数值总和
|
||
|
||
==================================================
|
||
热带代数计算结果
|
||
==================================================
|
||
|
||
DP矩阵（到各节点的最大收益）：
|
||
第0层: ['3']
|
||
第1层: ['10', '7']
|
||
第2层: ['12', '14', '13']
|
||
第3层: ['20', '19', '23', '16']
|
||
|
||
最大总收益: 23
|
||
最优路径节点位置（层, 位置）:
|
||
第0层 → 位置[0]: 值 = 3
|
||
第1层 → 位置[0]: 值 = 7
|
||
第2层 → 位置[1]: 值 = 4
|
||
第3层 → 位置[2]: 值 = 9
|
||
路径验证和: 23
|
||
|
||
路径可视化（三角形）：
|
||
[3]
|
||
[7] 4
|
||
2 [4] 6
|
||
8 5 [9] 3
|
||
|
||
==================================================
|
||
热带代数(max-plus)原理验证
|
||
==================================================
|
||
|
||
[1] 幂等性验证：
|
||
max(7, 7) = 7
|
||
max(4, 4) = 4
|
||
max(6, 6) = 6
|
||
|
||
[2] 分配律验证：
|
||
3 + max(7, 4) = 10
|
||
max(3+7, 3+4) = 10
|
||
分配律成立: True
|
||
|
||
[3] 结合律验证：
|
||
max(max(5,9),3) = 9
|
||
max(5,max(9,3)) = 9
|
||
结合律成立: True
|
||
|
||
==================================================
|
||
对比说明：热带代数 vs 传统动态规划
|
||
==================================================
|
||
本质是完全相同的计算，但视角不同：
|
||
|
||
传统DP视角：
|
||
dp[i][j] = triangle[i][j] + max(dp[i-1][j-1], dp[i-1][j])
|
||
|
||
热带代数视角：
|
||
dp[i][j] = triangle[i][j] ⊙ (dp[i-1][j-1] ⊕ dp[i-1][j])
|
||
|
||
其中：
|
||
⊕ 对应 max 运算（热带加法）
|
||
⊙ 对应 + 运算（热带乘法）
|
||
|
||
这验证了：动态规划是热带代数中"多项式求值"的特例！
|
||
```
|
||
|
||
## 关键发现
|
||
|
||
**最优路径为：3 → 7 → 4 → 9，总收益23**
|
||
|
||
这与您直觉中的最优路径（7→4→9=20）不同，因为热带代数自动考虑了**全局最优解**。实际上：
|
||
|
||
- 路径A（我的）：3 + 7 + 4 + 9 = **23**
|
||
- 路径B（您的）：3 + 7 + 4 + 9 = 20（漏算了顶部的3）
|
||
|
||
核心洞察：**顶部节点3是强制起点**，必须计入总收益。热带代数通过幂等性和分配律自动传播这一约束。
|