【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
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 mmm 步 , 向上要走 nnn 步 ;
选取问题说明 : 总共走 m+nm+nm+n 步 , 需要选择那些步向上 , 哪些步向右 , 只要在之和 m+nm + nm+n 步中 , 将向右的 mmm 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+nm+nm+n 步中选取 mmm 步即可 , 结果是 C(m+n,m)C(m+n, m)C(m+n,m) , 又可以写成 (m+nm)\dbinom{m + n}{m}(mm+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 aaa , 向下平移 bbb , 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)
【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 )相关推荐
- innovus输入时序报告起点终点高亮路径脚本
innovus输入时序报告起点终点高亮路径脚本 在innovus中高亮时序路径的命令之前已经介绍过了,还不了解的小伙伴可以点击链接查看 高亮命令 接下来分享一个输入起点终点高亮时序路径的脚本 在企业级 ...
- 电商推荐系统(上):推荐系统架构、数据模型、离线统计与机器学习推荐、历史热门商品、最近热门商品、商品平均得分统计推荐、基于隐语义模型的协同过滤推荐、用户商品推荐列表、商品相似度矩阵、模型评估和参数选取
文章目录 第1章 项目体系架构设计 1.1 项目系统架构 1.2 项目数据流程 1.3 数据模型 第2章 工具环境搭建 2.1 MongoDB(单节点)环境配置 2.2 Redis(单节点)环境配置 ...
- ubuntu16.04下使用YOLOV3训练自己做的VOC数据集(VOC数据集制作+模型训练步骤+训练参数解析和问题解决+训练日志可视化(loss、IOU)+模型测试(单张、摄像头、批量测试))
前序 1.环境配置 请自行参考其他博客 本机环境 ubuntu16.04 python3 英伟达显卡驱动:nvidia-396 OpenCV3.4.5 CUDNN7.0.5 CUDA9.0 2.ubu ...
- allegro 3D模型怎么找? PCB的DFA如何设计?如何加载PCB的3D模型?如何避免器件之间的干涉?PCB的3D设计 DFA设计的概念
一些群友问杨老师,allegro的3D模型模型怎么找? PCB的DFA如何设计?如何加载PCB的3D模型?如何避免器件之间的干涉?这里杨老师对PCB中DFA设计常见的几种方法进行分析下 这些问题来自群 ...
- 【阅读笔记】应用LRP,通过将相关性从模型的输出层反向传播到其输入层来解释基于RNN的DKT模型(一)
提示:Towards Interpretable Deep Learning Models for Knowledge Tracing将重点放在应用分层相关传播(LRP)方法,通过将相关性从模型的输出 ...
- 【阅读笔记】应用LRP,通过将相关性从模型的输出层反向传播到其输入层来解释基于RNN的DKT模型(二)
提示:Interpreting Deep Learning Models for Knowledge Tracing与Towards Interpretable Deep Learning Model ...
- R语言回归模型构建、回归模型基本假设(正态性、线性、独立性、方差齐性)、回归模型诊断、car包诊断回归模型、特殊观察样本分析、数据变换、模型比较、特征筛选、交叉验证、预测变量相对重要度
R语言回归模型构建.回归模型基本假设(正态性.线性.独立性.方差齐性).回归模型诊断.car包诊断回归模型.特殊观察样本分析.数据变换.模型比较.特征筛选.交叉验证.预测变量相对重要度 目录
- R语言构建文本分类模型并使用LIME进行模型解释实战:文本数据预处理、构建词袋模型、构建xgboost文本分类模型、基于文本训练数据以及模型构建LIME解释器解释多个测试语料的预测结果并可视化
R语言构建文本分类模型并使用LIME进行模型解释实战:文本数据预处理.构建词袋模型.构建xgboost文本分类模型.基于文本训练数据以及模型构建LIME解释器解释多个测试语料的预测结果并可视化 目录
- R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释:基于训练数据以及模型构建LIME解释器解释一个iris数据样本的预测结果、LIME解释器进行模型预测结果解释并可视化
R语言基于自定义函数构建xgboost模型并使用LIME解释器进行模型预测结果解释:基于训练数据以及模型构建LIME解释器解释一个iris数据样本的预测结果.LIME解释器进行模型预测结果解释并可视化 ...
最新文章
- 什么人适合学习web前端?怎样学好web前端开发?
- Linux网络设置2——虚拟机中的Linux和Windows网络互通设置
- 在MAC上搭建eclipse+android开发环境以及eclipse的svn插件的安装
- android底部导航栏下沉,【详细】手把手教你快速实现Android底部导航栏
- 如何在win2003下安装sql2008[多次安装sql2008失败者必看]
- 高清摄像头MIPI接口与ARM连接【转】
- aix 卸载mysql_AIX 删除数据库及集群软件
- Linux 小知识翻译 - 「邮件服务器」
- Power Bi:DAX函数总结
- dcs服务器性能指标,第6章DCS的性能指标.PDF
- eTerm A4电子行程单 提取导出
- FFmpeg —— 为视频添加文字水印(完美解决中文乱码,无需编译)
- 论物理学与技术革命之间的关系
- c++读取stl文件
- 使用Java语言打印一个爱心图案
- 罗云彬:实现水波特效的代码例子
- UML图之五——时序图
- 1065 浙江中医药大学ACM OJ
- 计算机网络(二) 虚拟网桥
- 18春计算机辅助设计作业答案,18春福师《计算机辅助设计—MAYA》在线作业二答案...