一种远距离路径规划解决方案

 

     在嵌入式设备上做路径规划必须考虑到内存和效率的问题，当数据量（注：这里的数据量指的是所需处理的道路的总数）非常庞大，起点和终点距离非常远的时候，这点尤为重要。主要原因有两个：1、纯粹的最短路径算法对内存的消耗非常大，因为不管是Dijkstra还是A*，计算过程会有很多最终有效路径（注：有效路径是指从起点到终点所有的节点序列或是弧段序列的集合）以外的节点和弧段被访问到，而记录这些非有效节点和弧段需要大量的内存，内存不足会最终导致路径搜索失败。2、最短路径算法是从一个起点开始，大撒网式的向四周扩散，每次迭代产生当前最短的路径，至于那次迭代刚好是终点却无法预测，这样漫无目的的搜索必然会导致效率不高，搜索一条路径可能会花上分钟级别的时间（根据用户反馈，手机导航搜索一条路径的时机消耗在30秒以内是可以接受的，超过1分钟就会有投诉）。

 

     如果路径规划只是在城市数据量规模内，则不必过于考虑以上两点，比如新加坡总共有5W条道路，马来西亚30W条左右道路，对于这样规模的数据量，只需要对最短路径算法做一定优化基本就可以满足用户需求。但是当处理泰国（220W条道路），中国（500W以上）这样大的数据量中做远距离路径规划的时候，除了对算法本身优化还需要对数据做适当的预处理，通过控制算法的搜索空间来限制内存的使用和提高搜索的效率。这里我介绍一种可行的方案。