第 14 天：机器人堡垒
解决方案链接
第 1 部分：模拟机器人运动并计算安全系数
模拟机器人运动：
模拟首先解析机器人数据，其中包括机器人的初始位置和速度。每个机器人的数据都表示为一个元组 (p_x, p_y, v_x, v_y) - 沿 x 和 y 轴的位置和速度分量。
模拟函数使用以下公式计算 t 秒后机器人的新位置：
p_x = (p_x + t * v_x) % width p_y = (p_y + t * v_y) % height
该公式考虑了机器人的运动，在每个时间步更新其位置，并在超出边缘时环绕网格（由于模运算）。然后机器人会被放回到网格上更新的位置。
象限计数：
在 t = 100 处模拟机器人后，代码计算网格四个象限中每个象限中的机器人数量。网格根据 middle_row_gap 和 middle_column_gap 划分为象限，分别计算为网格宽度和高度的一半。
对于 100 秒后每个机器人的位置 (x, y)，程序检查机器人占据哪个象限：
- 象限 0：左上
- 象限 1：右上角
- 象限 2：右下
- 象限 3：左下
然后我们使用 math.prod() 函数获得 4 象限总数的乘积。
第 2 部分：检测圣诞树图案
我对此任务做了一些假设，例如形成的图像将位于中间/集中。当机器人形成形状时，它们必须全部凝聚在一起 - 形成树。
机器人以可预测的方式移动，并且它们的位置可以随着时间的推移形成特定的形状。为了检测“圣诞树”模式，程序会寻找机器人聚集成类似于树形状的紧密队形的时间。该方法的重点是发现机器人何时聚集在网格的特定区域。
程序首先在所有机器人周围定义一个大边界框。随着时间的推移，这个盒子的尺寸逐渐减小。这个想法是，随着时间的推移，机器人将聚集成一个更小的区域。
对于每个时间步长（机器人的每个位置），程序都会计算这个缩小的盒子内有多少个机器人。它测量密度，即盒子内机器人的数量除以盒子的面积。盒子里的机器人越多，密度就越高。
程序会跟踪密度最高的时间。当密度最大时，机器人排列得最紧密，这很可能是在它们形成可识别的形状（圣诞树）时发生的。
为什么这有效？
该方法之所以有效，是因为“圣诞树”模式会导致机器人聚集在网格的特定区域。通过缩小边界框并计算该区域中机器人的密度，程序可以识别机器人何时形成这种紧凑的形状。密度最高表示机器人的分组最紧密，对应圣诞树的排列。
因此，密度最高的时间步是机器人创建圣诞树图案的时间。
一如既往，随时在 twitter 上联系和聊天
