1. 问题背景与算法选型蓝桥杯竞赛中的水质检测问题是一个典型的图论最短路径问题。题目通常描述为给定一个N×M的网格地图其中某些网格是污染源障碍物检测员需要从起点出发找到到达目标点的最短路径。关键在于移动规则——上下左右移动消耗1单位时间而检测设备可以瞬间净化相邻污染源即可以消耗0时间移动到相邻的污染网格。这种部分移动代价为0的特性使得传统的BFS算法无法直接应用。因为标准BFS要求所有边的权重相同通常视为1而这里存在0和1两种权重。此时0-1 BFS算法就成为最优选择它能在O(VE)时间复杂度内解决问题比Dijkstra算法的O(E log V)更高效。关键洞察当图中边权只有0和1两种取值时0-1 BFS是比Dijkstra更轻量级的解决方案避免了优先队列的开销。2. 0-1 BFS算法原理详解2.1 数据结构设计算法使用双端队列deque作为核心数据结构队列中存储的是待处理的节点及其当前距离。与普通BFS不同之处在于遇到权重为0的边将节点添加到队列前端距离不变遇到权重为1的边将节点添加到队列末端距离1from collections import deque q deque() q.append((start_x, start_y)) dist [[float(inf)] * M for _ in range(N)] dist[start_x][start_y] 02.2 算法流程解析初始化起点距离为0入队队列非空时循环取出队首节点u遍历u的所有邻接节点v如果边权为0且可以松弛更新dist[v]v加入队首如果边权为1且可以松弛更新dist[v]v加入队尾当目标节点出队时立即返回其距离贪心正确性保证while q: x, y q.popleft() if (x, y) (target_x, target_y): return dist[x][y] for dx, dy in [(0,1),(1,0),(0,-1),(-1,0)]: nx, ny x dx, y dy if 0 nx N and 0 ny M: new_cost dist[x][y] (0 if is_polluted(nx, ny) else 1) if new_cost dist[nx][ny]: dist[nx][ny] new_cost if is_polluted(nx, ny): q.appendleft((nx, ny)) else: q.append((nx, ny))3. 水质检测问题的特殊处理3.1 污染网格的判定逻辑在标准问题中污染网格的判断通常有两种形式静态障碍输入矩阵中明确标记的污染源动态影响某个污染源会影响其周围k格范围内的区域对于第二种情况需要预处理整个网格计算每个格子是否被污染def preprocess_pollution(grid): polluted [[False]*M for _ in range(N)] for i in range(N): for j in range(M): if grid[i][j] P: # 污染源 for di in [-1,0,1]: for dj in [-1,0,1]: ni, nj idi, jdj if 0 ni N and 0 nj M: polluted[ni][nj] True return polluted3.2 移动规则的实现技巧在常规网格问题中移动通常定义为上下左右四个方向。但在水质检测问题中需要考虑对角线移动是否允许通常不允许净化操作的范围题目可能限定只能净化相邻污染源净化后该污染源是否变为永久可通行区域一个典型的移动处理实现directions [(-1,0),(1,0),(0,-1),(0,1)] # 仅四方向移动 for dx, dy in directions: nx, ny x dx, y dy if 0 nx N and 0 ny M: if grid[nx][ny] P: # 净化操作消耗0时间 cost 0 else: # 正常移动消耗1时间 cost 14. 完整代码实现与优化4.1 基础版本实现from collections import deque def water_quality_check(grid): N, M len(grid), len(grid[0]) # 找到起点(S)和终点(T) for i in range(N): for j in range(M): if grid[i][j] S: start (i, j) elif grid[i][j] T: target (i, j) dist [[float(inf)] * M for _ in range(N)] q deque() q.append(start) dist[start[0]][start[1]] 0 directions [(-1,0),(1,0),(0,-1),(0,1)] while q: x, y q.popleft() if (x, y) target: return dist[x][y] for dx, dy in directions: nx, ny x dx, y dy if 0 nx N and 0 ny M: cost 0 if grid[nx][ny] P else 1 new_dist dist[x][y] cost if new_dist dist[nx][ny]: dist[nx][ny] new_dist if cost 0: q.appendleft((nx, ny)) else: q.append((nx, ny)) return -1 # 不可达4.2 性能优化技巧提前终止一旦目标节点出队即可返回结果因为0-1 BFS保证首次访问即是最优解状态压缩对于大网格可以用位运算压缩访问状态双向BFS从起点和终点同时开始搜索相遇时合并结果预处理优化对于固定污染源可以预先计算每个格子的污染状态优化后的队列处理逻辑while q: x, y q.popleft() current_dist dist[x][y] # 提前终止检查 if (x, y) target: return current_dist # 优先处理0代价移动贪心 for dx, dy in directions: nx, ny x dx, y dy if 0 nx N and 0 ny M and grid[nx][ny] P: if current_dist dist[nx][ny]: dist[nx][ny] current_dist q.appendleft((nx, ny)) # 处理1代价移动 for dx, dy in directions: nx, ny x dx, y dy if 0 nx N and 0 ny M and grid[nx][ny] ! P: new_dist current_dist 1 if new_dist dist[nx][ny]: dist[nx][ny] new_dist q.append((nx, ny))5. 常见错误与调试技巧5.1 典型错误案例队列顺序错误错误将0代价节点加入队尾现象得到的结果可能不是最短路径修复严格遵循0代价放队首1代价放队尾距离更新判断缺失错误没有检查新距离是否更优就直接更新现象可能覆盖更优解修复始终比较new_dist dist[nx][ny]污染状态判断错误错误将正常网格误判为污染网格现象路径计算错误修复仔细检查污染判断逻辑5.2 调试技巧可视化路径def print_path(prev, target): path [] while target: path.append(target) target prev[target] for x, y in reversed(path): print(f({x},{y}), end - )打印队列状态print(fCurrent: ({x},{y}), dist: {dist[x][y]}, Queue: {list(q)})边界条件测试全清洁地图全污染地图起点即终点不可达情况6. 算法扩展与变种6.1 多污染源处理当存在多种污染源不同净化代价时可以将0-1 BFS扩展为更通用的Dijkstra算法# 假设不同污染类型对应不同代价 pollution_cost {P1:0, P2:0.5, P3:1.2} cost pollution_cost.get(grid[nx][ny], 1) # 默认为16.2 移动限制扩展如果题目限制净化次数有限制某些污染源不可净化净化后污染源会复活这些问题需要结合状态压缩或分层图技术# 状态表示(位置, 剩余净化次数) dist [[[float(inf)] * (K1) for _ in range(M)] for _ in range(N)]6.3 三维空间扩展当检测区域是立体空间时如多层水质检测算法依然适用只需扩展移动方向directions [(1,0,0),(-1,0,0),(0,1,0),(0,-1,0),(0,0,1),(0,0,-1)]7. 实际应用中的注意事项内存优化对于大网格使用更紧凑的数据结构存储距离信息并行处理可以考虑将网格分区并行计算实时性要求如果系统需要实时响应可以预先计算热点区域动态环境如果污染源会动态变化需要设计增量更新算法实战经验在竞赛中建议先写出基础版本确保正确性再根据时间限制决定是否进行优化。过早优化可能导致难以调试的错误。
