构造凸包-Jarvis March(Gift Wrapping)算法

回顾凸包构造算法：极点法、极边法和增量构造法，其复杂度分别为O(n^4^)、O(n^3^)和O(n^2^)，效率经过优化已经大大提高了。接下来引入一种新的算法——Jarvis March，其复杂度也是O(n^2^)，但是相较于增量构造在最好情况下效率是较高的。

实现策略

先想一下为何极边法复杂度高达O(n^3^)。实际上我们要对点集中所有边进行遍历，这需要n^2^复杂度，然后对每个边进行鉴别，又需要n复杂度，因此总体复杂度高达O(n^3^)。那么该如何改进呢？这就可以运用选择排序的思想：将下一个要查找的边缩小到一个小范围，而非遍历所有边。

选择排序每次选取出的unsorted最大元素放在sorted 部分的首部，也就意味着整个unsorted部分必然不会超过sorted部分。从算法整体框架考虑，每次我们都是维护一个局部解（也就是sorted部分），然后从尚未处理的部分（也就是unsorted部分）找到一个与当前局部解“紧密相关的元素”（相当于选取的最大元素）。这个思想为解决凸包问题带来了新思路。

对算法的大致过程进行描述(标识为：已找到极边数/所有极边数)：

• 

  首先从任何一个极点（后面说明如何找到这个点）开始（图中0/5），然后找到一条以这个极点为端点的极边（1/5）。接着沿着极边另一个端点（endpoint）出发，再找出下一条极边（2/5）。如此反复操作，最终会找到一条以最初极点为endpoint的极边，得到一个封闭的环，凸包也构造完成。凸包构造过程类似于选择排序中sorted不断向前扩展一样，不断扩展局部解，最后得到问题最终解。

凸包构造的问题由此分解为一个个子问题：如何从endpoint出发找到下一条极边。

用to left test找到下一条极边

现分析如何从endpoint找到下一条极边。考虑一下的一般情况：

我们从极点o开始寻找极边，假设当前找到的极边是ik，接下来要做的工作是找到从k出发的另一条极边ks，即找到极点s。

显然，s来自于其他那些尚未处理的点中，那么s与其他点相比有什么特征？观察发现，ik作为一条极边，它的右侧肯定都是空的，所有其他点都在ik左侧。画出k与其他候选点的有向直线，例如下图中的ks，kt：

注意图中红色标出的角度，可以看出ks与ik的夹角比kt小，也就是ks比kt相较于ik偏左的角度更小。实际上ks偏左的角度比其他任何从k出发的边都小，这就是s点的判定依据。

这样就找到了从其余点中选择s点的思路：任选两个点，从k出发过这两点做有向边，看哪个偏左的角度更小就留下，另一点丢弃。然后再拿一点与留下的点比较，反复这个过程，最终留下的就是要找的s点。

问题至此转化为：如何比较两条有向边（例如ks和kt）相较于另一有向直线（例如ik）谁偏左的角度更小。

当然可以通过计算三角函数的方法来比较，这是最直观的数学思维。但是这样计算十分复杂，更重要的是引入了误差。这时候又要使用to left test这个基础方法来解决问题了

具体做法就是以在ks和kt中以任意个为基准（如以ks为基准），对另一点（如t）做to left test。上图点t和有向边ks的to left test结果为true，t在ks左边，因此ks偏左的角度更小，舍弃点t。

类比选择排序来理解:

• 已得到的极边（从极点o开始到ik的首尾相连的极边）——相当于 sorted部分
• 其余点——相当于 unsorted部分
• 找到点s（能构成最小偏角的点）——相当于 从unsorted部分取出极大值

选择排序中的选择过程需要比较元素大小，就要由一种比较器完成，而上述比较偏角的过程也可以抽象为一种比较器的操作。构造凸包的算法框架与选择排序相同，只是比较器替换为to left test而已。

此处只是考虑一般情况，一些特殊细节未进行处理。例如在st上有s和s’两点，这两点的取舍问题未考虑。当然为了理解算法整体框架忽略特殊情况是很必要的。

确定第一个极点

一个细节：上文一开始提到的算法的最开始的第一个极点如何确定？

任何一个极点都可以使用，我们没必要去计算出哪个点是极点。可以选取y坐标最小的点，也就是最低点，在没有退化的情况下，这个点一定是一个极点。如果情况退化，有多个最低点（如例图中所示），我们就去选x坐标最小的那个点，也就是最左边的点即可。这种方法选出的点称为lowest-then-leftmost point（LTL）。注意选取的规则的先后顺序，先选lowest，若点不唯一再选leftmost。

Jarvis March

类比选择排序的过程，我们得到的凸包构造算法就是Jarvis March算法，又称gift wrapping算法（算法过程如包装礼物一样）。接下来看算法具体实现方法。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

bool ToLeft(Point P, Point q, Point s) { int area2 = p.x*q.y - p.y*q.x + q.x*s.y -q.y*s.x + s.x*p.y - s.y*p.x; return area2 >0 ; //左侧为真 } int LTL (Point S[], int n) { int ltl = 0; //the lowest-then-leftmost point for(int k=1; k<n;k++){ if(S[k].y < S[ltl].y || (S[k].y==S[ltl].y && S[k].x<S[ltl].x)) ltl =k; } return ltl; } void Javis(Point S[], int n) { for (int k=0; k<n; k++) S[k].extreme =FALSE; //首先将所有点标记为非极点 int ltl=LTL(S, n); //找到LTL int k=ltl; //将LTL作为第一个极点 do { S[k].extrem = true; int s =-1; //s是要找的下一个极点，用t去循环找 for (int t=0; t<n; t++) { if(t != k &&t != s && ( s == -1 || !ToLeft(S[K],S[s],S[t]) ) ) s = t; //如果t在pq的右侧，则更新s } S[k].succ = s; k = s; //新的极边pq确定 k = s; //更新k的值，变为下一次查找的起点 }while(ltl != k) //如果循环回到了原来的点，则结束 }

梳理

1. 首先，初始化将所有点都设为：非极点
2. 然后，开始找到第一个极点（用LTL方法），找到之后赋值给k
3. 接下来，开始找下一个极点s：
   • 主要用ToLeft Test来找出下一个极点
4. 循环第3步骤，直到找到所有极点

小结

最后分析Jarvis March算法相较于增量构造法的优势。二者都是O(n^2^)的复杂度，Jarvis March算法的优势在于其的“输出敏感性（output sensitive）”。考虑点集S，共有n个点，来构造S上的凸包。

何为“输出敏感性”？Jarvis March算法每次新加入一条边都会耗费n的复杂度，但是构造过程一共会加入的边数往往比n少。如下图（设n = 7）：

在非退化为共线的前提下，最好情况为只加入3条边（复杂度为O(3n)），最坏情况为所有点都是极点，加入n-1条边（复杂度为O(n^2^)）。实际情况中最坏情况出现的几率很小，我们引入一个指标h来衡量凸包的极边数（the size of convex hull）：
$$
h = |CH(S)|
$$
Jarvis March算法算法的复杂度更准确的表示为O(nh)。h又由最终输出结果，即凸包本身来决定，输出结果决定了构造过程的复杂度，这就是所谓的“输出敏感性”。这种类型的算法又被称为output sensitive algorithm。这种特性在其它凸包算法中也会体现。