Algorithm 找到覆盖区域最小点数的算法（战争游戏）

我在处理一场战争游戏。我有一个我的基地列表

B（x，y）

，从中我可以向敌人发起攻击（他们在我自己的基地之间有基地）。每个基地

B

都可以在

R

范围内攻击（所有基地的半径相同）。我怎样才能找到我的基地来攻击尽可能多的敌人基地，但使用我的基地数量最少

我已经将问题简化为寻找覆盖最大区域所需的最小基地数量（及其坐标）。我想知道是否有比研究所有可能的组合更好的方法，因为碱基的数量可能达到数千个

示例：如果攻击半径为10，并且我在一个正方形及其中心有五个底：

（0,0）

，

（10,0）

，

（10,10）

，

（0,10）

，

（5,5）

，那么答案是只需要前四个，因为中心一个所覆盖的所有区域都已经被其他区域覆盖

注1解决方案必须为单线程

---

注2如果这意味着速度大幅提高，那么解决方案并不一定是完美的。基地数量达到数千个，这需要尽可能少的时间。我认为在Python的10000个基地的运行时间超过100毫秒在一台现代计算机上是不可接受的，所以我想也许我可以从消除明显的东西开始，就像在代码< R/10／< /代码>彼此之间有多个碱基一样，简单地除一个之外（除此之外）。.

哼解决方案取决于您的需要。若你们需要实时的答案，也许贪婪算法可以提供很好的解决方案。 另一种解决方案可能是使用带有约束时间（）的元启发式。我可能会使用遗传算法在有限的时间内寻找这个问题的解决方案

如果有兴趣，我可以提供一个Python实现的玩具示例

编辑：

当您必须快速提供解决方案时，贪婪算法通常更好。但你的情况我怀疑。许多贪婪算法的特殊性在于，每次尝试计算新结果时，都需要从头开始

再次谈到遗传算法，例如，每次你必须做出决定时，都可以从最后的结果重新开始搜索过程。事实上，你可能会让他有一个子过程，每100毫秒取上一个循环中计算出的更好的解

---

如果在计算资源方面不太贪婪，那么从长远来看，该解决方案将比贪婪解决方案提供更好的结果，因为该解决方案可能需要适应情况的变化，但许多元素将保持不变。请注意，使用贪婪算法的解决方案初始化元搜索无论如何都是一个好主意

哼解决方案取决于您的需要。若你们需要实时的答案，也许贪婪算法可以提供很好的解决方案。 另一种解决方案可能是使用带有约束时间（）的元启发式。我可能会使用遗传算法在有限的时间内寻找这个问题的解决方案

如果有兴趣，我可以提供一个Python实现的玩具示例

编辑：

当您必须快速提供解决方案时，贪婪算法通常更好。但你的情况我怀疑。许多贪婪算法的特殊性在于，每次尝试计算新结果时，都需要从头开始

再次谈到遗传算法，例如，每次你必须做出决定时，都可以从最后的结果重新开始搜索过程。事实上，你可能会让他有一个子过程，每100毫秒取上一个循环中计算出的更好的解

---

如果在计算资源方面不太贪婪，那么从长远来看，该解决方案将比贪婪解决方案提供更好的结果，因为该解决方案可能需要适应情况的变化，但许多元素将保持不变。请注意，使用贪婪算法的解决方案初始化元搜索无论如何都是一个好主意

哼解决方案取决于您的需要。若你们需要实时的答案，也许贪婪算法可以提供很好的解决方案。 另一种解决方案可能是使用带有约束时间（）的元启发式。我可能会使用遗传算法在有限的时间内寻找这个问题的解决方案

如果有兴趣，我可以提供一个Python实现的玩具示例

编辑：

当您必须快速提供解决方案时，贪婪算法通常更好。但你的情况我怀疑。许多贪婪算法的特殊性在于，每次尝试计算新结果时，都需要从头开始

再次谈到遗传算法，例如，每次你必须做出决定时，都可以从最后的结果重新开始搜索过程。事实上，你可能会让他有一个子过程，每100毫秒取上一个循环中计算出的更好的解

---

如果在计算资源方面不太贪婪，那么从长远来看，该解决方案将比贪婪解决方案提供更好的结果，因为该解决方案可能需要适应情况的变化，但许多元素将保持不变。请注意，使用贪婪算法的解决方案初始化元搜索无论如何都是一个好主意

哼解决方案取决于您的需要。若你们需要实时的答案，也许贪婪算法可以提供很好的解决方案。 另一种解决方案可能是使用带有约束时间（）的元启发式。我可能会使用遗传算法在有限的时间内寻找这个问题的解决方案

如果有兴趣，我可以提供一个Python实现的玩具示例

编辑：

当您必须快速提供解决方案时，贪婪算法通常更好。但你的情况我怀疑。许多贪婪算法的特殊性在于每次尝试时都需要从头开始