大数据量点集构建汉密尔顿路径算法分析

       博主在去年做利用Google的word2vec做深度学习的时候，需要将大量的POI数据点连接成汉密尔顿路径，并形成语料库进行进一步分析。何谓汉密尔顿路径，通俗一点地讲，就是将一些点不重复地全部串起来，使得连接这些点的折线段的长度最短。数学形式表达如下：

                                                             

       这种问题属于NP问题，蚁群算法、遗传算法、模拟退火算法都能对这种问题提出一种近似最优解，然而对上述算法不熟悉的童鞋必定一头雾水，因此，本文将讲解一种最简单易懂的算法---我称之为“暴力解法”。顾名思义，就是一次次枚举，通过比较路径长度来选取适当的节点顺序。算法介绍如下：

                                                            

       对于以上三种情况，其构建的路径和长度示意图分别如下：

                                                          

                                                          

       因此在处理这样的问题时，需要计算任意两点之间的距离，为了便于计算，在计算之前将其距离矩阵计算出来是一种明智的选择，因为后期均为加减法和逻辑判断，将极大地缩短时间。

       然而。

       是的，当数据量非常大时，构建距离矩阵一次申请内存将爆，例如，我在计算88w个点时，需要申请88w*88w/2*sizeof(float)，这是个非常巨大的数字