|
在吃吃你的号环游GM大陆的时候,我们的列车长云老师经常想要从一个地方开到另一个地方。但是由于他不知道怎么规划路径,把我抓过来当他的导航员。考虑到吃吃你的号是一辆高度智能化的列车,我决定让云老师自己选择一种他喜欢的算法来输入吃吃你的号,这样就会有最短路生成,而云老师也不用再绕路了。
一、路径规划算法概述
路径规划算法是一种寻找从起点到终点的最优路径的方法。在连续域范围内,路径规划问题通常包括环境建模、路径搜索和路径平滑三个环节。环境建模是指将现实世界中的环境信息转化为计算机可理解的模型,也就是图;路径搜索则是在图的基础上寻找最短路径;而路径平滑则是将搜索出的路径进行优化,使其成为一条实际可行的路径,也就是一个抽象转化为实际的过程。。
二、常用算法
Bellman-Ford、Floyd、Dijkstra、A*和Johnson算法都是用于解决路径规划问题的算法,它们各有特点,下面将详细介绍这五种算法的特征。
Floyd算法
Floyd 算法
是用来求任意两个结点之间的最短路的。
复杂度比较高,但是常数小,容易实现(只有三个 for)。
适用于任何图,不管有向无向,边权正负,但是最短路必须存在。(不能有个负环)
实现
我们定义一个数组 f[k][x][y],表示只允许经过结点 1 到 k(也就是说,在子图 V'={1, 2,..., k} 中的路径,注意,x 与 y 不一定在这个子图中),结点 x 到结点 y 的最短路长度。
很显然,f[n][x][y] 就是结点 x 到结点 y 的最短路长度(因为 V'={1, 2, \ldots, n} 即为 V 本身,其表示的最短路径就是所求路径)。
接下来考虑如何求出 f 数组的值。
f[0][x][y]:x 与 y 的边权,或者 0,或者 +∞(f[0][x][y] 什么时候应该是 +∞?当 x 与 y 间有直接相连的边的时候,为它们的边权;当 x = y 的时候为零,因为到本身的距离为零;当 x 与 y 没有直接相连的边的时候,为 +∞)。
- f[k][x][y] = min(f[k-1][x][y], f[k-1][x][k]+f[k-1][k][y])
复制代码
(f[k-1][x][y],为不经过 k 点的最短路径,而 f[k-1][x][k]+f[k-1][k][y],为经过了 k 点的最短路)。
上面两行都显然是对的,所以说这个做法空间是 O(N^3),我们需要依次增加问题规模(k 从 1 到 n),判断任意两点在当前问题规模下的最短路。
- <div>for (k = 1; k <= n; k++) {
- for (x = 1; x <= n; x++) {
- for (y = 1; y <= n; y++) {
- f[k][x][y] = min(f[k - 1][x][y], f[k - 1][x][k] + f[k - 1][k][y]);
- }
- }
- }</div>
复制代码
因为第一维对结果无影响,我们可以发现数组的第一维是可以省略的,于是可以直接改成
- f[x][y] = min(f[x][y], f[x][k]+f[k][y])。
复制代码
证明:
我们注意到如果放在一个给定第一维 k 二维数组中,f[x][k] 与 f[k][y] 在某一行和某一列。而 f[x][y] 则是该行和该列的交叉点上的元素。
现在我们需要证明将 f[k][x][y] 直接在原地更改也不会更改它的结果:我们注意到 f[k][x][y] 的涵义是第一维为 k-1 这一行和这一列的所有元素的最小值,包含了 f[k-1][x][y],那么在原地进行更改也不会改变最小值的值,因为如果将该三维矩阵压缩为二维,则所求结果 f[x][y] 一开始即为原 f[k-1][x][y] 的值,最后依然会成为该行和该列的最小值。
故可以压缩。
Bellman-Ford算法
Bellman–Ford 算法
Bellman–Ford 算法是一种基于松弛(relax)操作的最短路算法,可以求出有负权的图的最短路,并可以对最短路不存在的情况进行判断。
在国内 OI 界,你可能听说过的「SPFA」,就是 Bellman–Ford 算法的一种实现。
过程
先介绍 Bellman–Ford 算法要用到的松弛操作(Dijkstra 算法也会用到松弛操作)。
对于边 (u,v),松弛操作对应下面的式子:
- dis(v) =min(dis(v), dis(u) + w(u, v))。
复制代码
这么做的含义是显然的:我们尝试用 S → u → v(其中 S → u 的路径取最短路)这条路径去更新 v 点最短路的长度,如果这条路径更优,就进行更新。
Bellman–Ford 算法所做的,就是不断尝试对图上每一条边进行松弛。我们每进行一轮循环,就对图上所有的边都尝试进行一次松弛操作,当一次循环中没有成功的松弛操作时,算法停止。
每次循环是 O(m) 的,那么最多会循环多少次呢?
在最短路存在的情况下,由于一次松弛操作会使最短路的边数至少 +1,而最短路的边数最多为 n-1,因此整个算法最多执行 n-1 轮松弛操作。故总时间复杂度为 O(nm)。
但还有一种情况,如果从 S 点出发,抵达一个负环时,松弛操作会无休止地进行下去。注意到前面的论证中已经说明了,对于最短路存在的图,松弛操作最多只会执行 n-1 轮,因此如果第 n 轮循环时仍然存在能松弛的边,说明从 S 点出发,能够抵达一个负环。
- <div>struct edge {
- int v, w;
- };
- vector<edge> e[maxn];
- int dis[maxn];
- const int inf = 0x3f3f3f3f;
- bool bellmanford(int n, int s) {
- memset(dis, 63, sizeof(dis));
- dis[s] = 0;
- bool flag; // 判断一轮循环过程中是否发生松弛操作
- for (int i = 1; i <= n; i++) {
- flag = false;
- for (int u = 1; u <= n; u++) {
- if (dis[u] == inf) continue;
- // 无穷大与常数加减仍然为无穷大
- // 因此最短路长度为 inf 的点引出的边不可能发生松弛操作
- for (auto ed : e[u]) {
- int v = ed.v, w = ed.w;
- if (dis[v] > dis[u] + w) {
- dis[v] = dis[u] + w;
- flag = true;
- }
- }
- }
- // 没有可以松弛的边时就停止算法
- if (!flag) break;
- }
- // 第 n 轮循环仍然可以松弛时说明 s 点可以抵达一个负环
- return flag;
- }
- </div>
复制代码
Dijkstra算法
Dijkstra算法由荷兰计算机科学家 E. W. Dijkstra 于 1956 年发现,1959 年公开发表。是一种求解 非负权图 上单源最短路径的算法。
过程
将结点分成两个集合:已确定最短路长度的点集(记为 S 集合)的和未确定最短路长度的点集(记为 T 集合)。一开始所有的点都属于 T 集合。
初始化 dis(s)=0,其他点的 dis 均为 +∞。
然后重复这些操作:
1. 从 T 集合中,选取一个最短路长度最小的结点,移到 S 集合中。
2.对那些刚刚被加入 S 集合的结点的所有出边执行松弛操作。
直到 T 集合为空,算法结束。
- <div>struct edge {
- int v, w;
- };
- vector<edge> e[maxn];
- int dis[maxn], vis[maxn];
- void dijkstra(int n, int s) {
- memset(dis, 63, sizeof(dis));
- dis[s] = 0;
- for (int i = 1; i <= n; i++) {
- int u = 0, mind = 0x3f3f3f3f;
- for (int j = 1; j <= n; j++)
- if (!vis[j] && dis[j] < mind) u = j, mind = dis[j];
- vis[u] = true;
- for (auto ed : e[u]) {
- int v = ed.v, w = ed.w;
- if (dis[v] > dis[u] + w) dis[v] = dis[u] + w;
- }
- }
- }</div>
复制代码
这个算法是一个O(n²)算法。可以通过队列优化变为O(m*log m).我很喜欢这个算法,所以我为它找了个流程图给你们看看。(见配图)
A*算法
A*算法是一种启发式搜索算法,它结合了最佳优先搜索和广度优先搜索的特点。A*算法通过使用启发式函数来估计节点到目标节点的代价,从而指导搜索过程。这种算法适用于有障碍物的路径规划问题,能够找到最短路径。实际上就是把Dijkstra的dis(x)函数转化为f(x)=g(x)+dis(x), 其中g(x)为起点到x节点的路径长度。
Johnson算法
Johnson 算法通过另外一种方法来给每条边重新标注边权。
我们新建一个虚拟节点(在这里我们就设它的编号为 0)。从这个点向其他所有点连一条边权为 0 的边。
接下来用 Bellman–Ford 算法求出从 0 号点到其他所有点的最短路,记为 h_i。
假如存在一条从 u 点到 v 点,边权为 w 的边,则我们将该边的边权重新设置为 w+h_u-h_v。
接下来以每个点为起点,跑 n 轮 Dijkstra 算法即可求出任意两点间的最短路了。
一开始的 Bellman–Ford 算法并不是时间上的瓶颈,若使用 优先队列 实现 Dijkstra 算法,该算法的时间复杂度是 O(n*m*log m)。
三、应用领域
高科技领域
路径规划算法在高科技领域有着广泛的应用。例如,在机器人领域,路径规划算法可以帮助机器人实现自主行走、避障等功能;在飞行器领域,路径规划算法可以帮助飞行器实现精确的导航和飞行控制。
日常生活
路径规划算法也渗透到了我们的日常生活中。例如,在物流管理中,路径规划算法可以帮助快递公司优化配送路线,提高配送效率;在城市交通中,路径规划算法可以帮助导航系统为用户提供最佳的出行路线。
物流管理
在物流管理中,路径规划算法的应用尤为突出。通过路径规划算法,物流公司可以优化车辆调度、货物配送等环节,降低运输成本,提高物流效率。同时,路径规划算法还可以帮助物流公司应对突发情况,如交通事故、天气恶劣等,及时调整运输计划,确保货物按时送达。
四、总结与展望
路径规划算法作为智能化的重要组成部分,在各个领域都发挥着重要作用。随着科技的不断发展,我们相信未来会有更多高效、智能的路径规划算法出现,为我们的生活带来更多便利和惊喜。
备注:本文的代码中如果多出了<div>和</div>,是编辑器的问题,无视就好。
备注2:没有备注2。看到这里,我这节车厢就到底了。接下来让我们有请矢量先生。@HoodedMurking |
本帖子中包含更多资源
您需要 登录 才可以下载或查看,没有账号?立即注册
x
评分
-
查看全部评分
|