我正在使用更早的here之后更新详细信息。
问题： 这个问题包括一个掠夺者，他必须前往不同的城市，分布在地图上。起始位置是已知的。每个城市都有与之相关的固定战利品。掠夺者的目的是穿越各种地形。从地形的本质来说，我的意思是每对城市之间的旅行成本各不相同。他必须最大化获得的战利品。
我们做了什么：
我们已经生成了一个邻接矩阵（每个节点的booty-path成本），然后使用启发式分析。它给出了一些合理的输出。
现在，问题现在是每个城市都有少量或多辆车，可以购买（通过支付）并可用于旅行。实际上车辆的作用是降低路径成本。一旦购买车辆，它仍然是下一辆车购买的时间。最重要的是决定是否购买车辆以及如何购买。
此时我需要帮助。如何将车辆的概念融入我们已有的东西？此外，任何可能有助于我们最大化利润的进一步想法。如果需要，我可以发布代码。谢谢！
答案 0 :(得分：4)
实现这一目标的一种方法是使有向边缘承载车辆的成本，以降低成本的重复图形。你甚至可以做到这一点，如果你愿意，减少比一个百分比更精细。
缺点是，这可能会大大增加图表的大小（与您拥有不同车辆的许多副本，加上它们之间的链接），如果您的启发式不是最佳的，您可能必须修改它它积极地考虑新的优势。
答案 1 :(得分：1)
听起来好像beam search会适合这个问题。波束搜索使用启发式函数 H 和参数 k ，其工作方式如下：
将 S 集初始化为初始游戏位置。
将 T 设置为空集。
对于 S 中的每个游戏位置，在掠夺者一次移动后，生成 S 的所有可能后继位置。 （移动要抢劫，购买车辆，移动到相邻的城市，或者其他任何掠夺者可以做的事情。）将每个这样的后继位置添加到集合 T
对于 T 中的每个位置 p ，请评估 H （ p ）以获取启发式函数ħ。 （启发式功能可以考虑战利品的数量，车辆的拥有量，剩余的无人居住的城市数量，以及您认为相关且易于计算的任何其他内容。）
如果您的搜索时间已用完，请在 T 中返回得分最高的位置。
否则，将 S 设置为 T 中得分最高的 k 位置，然后返回步骤2.
如果您使用 k 元素以heap的形式存储 T ，该算法效果很好。