2017. 网格游戏

💡 LeetCode 博弈类动态规划题：两个机器人的点数游戏解析（gridGame）

🧩 题目描述

给定一个下标从 0 开始的二维数组 grid，大小为 2 x n，其中 grid[r][c] 表示矩阵中 (r, c) 位置上的点数。现在有两个机器人参与一场“点数游戏”。

• 两个机器人都从起点 (0, 0) 出发，目标位置为 (1, n-1)。
• 每个机器人只能向右或向下移动。
• 游戏规则如下：
  1. 第一个机器人先行动，从起点走到终点，收集路径上的所有点数。
  2. 每当机器人经过某个格子，格子中的点数将被清零（即不能再被第二个机器人收集）。
  3. 接着，第二个机器人在更新后的 grid 上，从起点再次走到终点，收集尽可能多的点数。

两个机器人都发挥自己的最佳水平。
第一个机器人希望第二个机器人收集的点数尽可能少，而第二个机器人希望自己获得尽可能多的点数。

你需要返回：第二个机器人最终获得的点数（在双方博弈最优策略下）。

🧠 解题分析

这个题本质上是一个 博弈优化问题，而不是一个传统路径动态规划问题。题目中两个关键点：

1. 第一个机器人会影响第二个机器人的路径可用性（通过清零）。
2. 双方都采用最优策略：一个最小化对方收益，一个最大化自身收益。

✅ 路径特点

考虑机器人从 (0, 0) 到 (1, n-1)，由于只能向右或向下移动，他们的路径必然是：

• 在第一行从左向右移动若干列，然后向下走一次，到第二行；
• 然后再从左向右走到终点 (1, n-1)。

即路径可以由一个“拐点列索引 i” 唯一确定：在第 i 列向下转弯。

🔧 解题方法

📌 关键观察

我们枚举第一个机器人在哪一列 i 向下，来模拟其路径，并计算：

• 它经过后将哪些格子清零；
• 在这些清零后的状态下，第二个机器人最多还能获得多少点数；
• 最后找到第二个机器人所有“最优对抗策略”中的最小值（即第一个机器人能造成的最优破坏效果）。

📈 前缀和优化

为了快速计算某段区间的点数之和，我们可以使用前缀和：

prefix_row0[i] = grid[0][0] + grid[0][1] + ... + grid[0][i-1]
prefix_row1[i] = grid[1][0] + grid[1][1] + ... + grid[1][i-1]

对于每个拐点 i，我们计算：

• 第一行剩下的点数（在 i 后面）：prefix_row0[n] - prefix_row0[i+1]
• 第二行前面的点数（在 i 前面）：prefix_row1[i]
• 第二个机器人在这两部分中选择较大的（最优路径）

🧪 示例说明

以 grid = [[2,5,4],[1,5,1]] 为例：

我们遍历每一个拐点 i：

取所有情况中最小值：4

✅ 最终代码实现

class Solution:
    def gridGame(self, grid: List[List[int]]) -> int:
        n = len(grid[0])
        
        # 计算前缀和
        prefix_row0 = [0] * (n + 1)
        prefix_row1 = [0] * (n + 1)
        for i in range(n):
            prefix_row0[i + 1] = prefix_row0[i] + grid[0][i]
            prefix_row1[i + 1] = prefix_row1[i] + grid[1][i]
        
        res = float('inf')
        for i in range(n):
            # 模拟机器人1在i处向下
            upper = prefix_row0[n] - prefix_row0[i + 1]
            lower = prefix_row1[i]
            second_robot = max(upper, lower)
            res = min(res, second_robot)
        
        return res

📊 时间与空间复杂度分析

• 时间复杂度：O(n)
  • 一次前缀和计算 O(n)
  • 一次枚举拐点 O(n)
• 空间复杂度：O(n)
  • 用于前缀和数组（可优化为常数空间）

🆚 分析与比较

🧠 总结

这道题虽然看似是路径收集问题，实质是一个零和博弈问题。最优策略的本质在于：

• 第一个机器人控制路径影响第二个；
• 第二个机器人总是在剩余点数最多路径中选择。

通过枚举策略 + 前缀和加速判断，可以轻松解决这道题，并深入理解“在约束下的最优选择博弈模型”。