问题背景
作为A市的市长，我面临着一个挑战：在市区内选择一个最优的位置来建设一个新的火车站，以便最大限度地减少市民的出行时间。市区的街道布局是网格状的，这意味着从一个点到另一个点的距离可以通过计算它们在x轴和y轴上差的绝对值之和来得出，这种距离计算方法被称为曼哈顿距离。
问题难点
这个问题的难点在于如何从多个可能的位置中选择一个最优的位置。我们需要考虑所有市民的居住位置，并计算每个备选火车站位置到所有市民居住地的总曼哈顿距离。这涉及到大量的计算，特别是当市民人数和备选位置数量较大时。
解决方案
为了解决这个问题，我选择了一个简单而有效的算法：暴力搜索。这个算法的基本思想是尝试每一种可能的火车站位置，并计算每种情况下的总曼哈顿距离，然后选择总距离最小的那个位置。
代码实现
在代码实现中，我首先初始化了两个变量：min_total_distance和best_location。min_total_distance用于存储迄今为止找到的最小总距离，初始值设为正无穷大，这样可以确保任何实际计算出的距离都会小于它。best_location用于存储对应的火车站位置，初始值设为[-1, -1]，表示还没有找到最优位置。
接下来，我使用了一个外层循环来遍历所有备选的火车站位置。对于每个备选位置，我初始化了一个变量total_distance来存储从这个位置到所有市民居住地的总曼哈顿距离，并将其初始值设为0。
然后，我使用了一个内层循环来遍历所有市民的居住位置。对于每个市民的居住位置，我计算了从当前备选火车站位置到该市民居住地的曼哈顿距离，并将这个距离累加到total_distance中。曼哈顿距离的计算方法是取两个点在x轴和y轴上差的绝对值之和，即abs(citizen[0] - location[0]) + abs(citizen[1] - location[1])。
在内层循环结束后，我检查total_distance是否小于当前记录的min_total_distance。如果是，我就更新min_total_distance和best_location，这样best_location就会存储当前的备选位置。
最后，当所有备选位置都被遍历一遍后，我返回找到的最优火车站位置。
代码
```def solution(n, m, citizens, locations):
# Please write your code here
min_total_distance = float('inf')
best_location = [-1, -1]
for location in locations:
total_distance = 0
for citizen in citizens:
# 计算曼哈顿距离并累加
total_distance += abs(citizen[0] - location[0]) + abs(citizen[1] - location[1])
# 更新最优位置
if total_distance < min_total_distance:
min_total_distance = total_distance
best_location = location
return best_location
return [-1, -1]
if __name__ == "__main__":
# You can add more test cases here
citizens1 = [[-1, -1], [-1, 1], [1, -1], [1, 1]]
locations1 = [[3, 2], [1, 0], [0, 0]]
print(solution(4, 3, citizens1, locations1) == [1, 0])
