基于信号衰减规则的网络信号强度二维数组填充实现方案

这个问题本质是多源信号的衰减传播计算：每个非0节点是信号源，信号向四周传播，每经过1个节点（曼哈顿距离每增加1）强度衰减1，每个节点的最终信号值取所有可达源能提供的最大信号值（结果不能为负）。

用NumPy可以高效实现这个逻辑，步骤如下：

1. 提取信号源的位置与强度 #

首先从初始数组中找出所有非0的信号源，记录它们的坐标和对应的强度：

import numpy as np

# 初始数组
d_initial = np.array([[0, 0, 0, 3],
                      [0, 2, 0, 3],
                      [0, 0, 0, 0],
                      [0, 0, 0, 3]])

# 获取所有信号源的坐标(y, x)和对应的强度
sources = []
for y in range(d_initial.shape[0]):
    for x in range(d_initial.shape[1]):
        val = d_initial[y, x]
        if val > 0:
            sources.append((y, x, val))

2. 生成网格坐标矩阵 #

为了批量计算每个节点到所有源的曼哈顿距离，先生成整个网格的坐标矩阵：

# 生成y轴和x轴的坐标网格
y_grid, x_grid = np.meshgrid(np.arange(d_initial.shape[0]), 
                             np.arange(d_initial.shape[1]), 
                             indexing='ij')

3. 计算每个源的信号贡献并取最大值 #

对每个信号源，计算它给每个节点的信号值（源强度 - 曼哈顿距离，结果小于0则置0），然后所有源的贡献取最大值：

# 初始化结果数组为全0
d_result = np.zeros_like(d_initial)

for y_src, x_src, strength in sources:
    # 计算当前源到每个节点的曼哈顿距离
    distance = np.abs(y_grid - y_src) + np.abs(x_grid - x_src)
    # 计算该源的信号贡献：强度衰减后不能为负
    contribution = np.maximum(strength - distance, 0)
    # 更新结果数组：取当前最大值
    d_result = np.maximum(d_result, contribution)

4. 验证结果 #

运行上述代码后，d_result就会和目标数组完全一致：

print(d_result)
# 输出：
# [[0 1 2 3]
#  [1 2 2 3]
#  [0 1 1 2]
#  [0 1 2 3]]

逻辑说明 #

• 曼哈顿距离：信号向上下左右相邻节点传播，每移动一个节点距离加1，符合曼哈顿距离的计算规则
• 取最大值：若一个节点被多个信号源覆盖，取能提供的最强信号值
• 非负限制：如果源强度减去距离后为负，说明信号无法到达该节点，保持0

内容的提问来源于stack exchange，提问作者ChronoVortex