人工智能基础-路径规划

前往我的主页以获得更好的阅读体验

人工智能基础-路径规划 - DearXuan的主页https://blog.dearxuan.com/2021/10/15/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%9F%BA%E7%A1%80-%E8%B7%AF%E5%BE%84%E8%A7%84%E5%88%92/

图的遍历

深度优先遍历 DFS

遍历一个节点，需要访问它自己，再遍历左子树和右子树，根据遍历顺序分为以下三种遍历

1. 前序遍历:先访问当前节点，再遍历左右子树
2. 中序遍历:先遍历左子树，再访问自己，最后遍历右子树
3. 后序遍历:先遍历左右子树，最后访问自己

#include <iostream>

struct _Node{
    int num;
    _Node *lChild;
    _Node *rChild;
};

void 前序遍历(_Node *node){
    if(node == nullptr) return;
    printf("num = %d\n",node->num);//访问自己
    前序遍历(node->lChild);
    前序遍历(node->rChild);
}

void 中序遍历(_Node *node){
    if(node == nullptr) return;
    中序遍历(node->lChild);
    printf("num = %d\n",node->num);//访问自己
    中序遍历(node->rChild);
}

void 后序遍历(_Node *node){
    if(node == nullptr) return;
    后序遍历(node->lChild);
    后序遍历(node->rChild);
    printf("num = %d\n",node->num);//访问自己
}

例如下面的二叉树

它的遍历顺序分别为

1. 前序遍历: A-B-D-E-C-F
2. 中序遍历: D-B-E-A-C-F
3. 后序遍历: D-E-B-F-C-A

广度优先遍历 BFS

广度优先遍历是指先遍历顶点V的所有子节点V1,V2……Vn，然后再分别遍历V1,V2……Vn的子节点。即每次先遍历完第n层的节点，再遍历n+1层的节点

上图的广度优先遍历顺序为: A-B-C-D-E-F

#include <iostream>
#include <queue>

using namespace std;

struct _Node{
    int num;
    _Node *lChild;
    _Node *rChild;
};
void BFS(_Node *node);

int main(){
    _Node *nodes[6];
    //初始化节点
    for(int i=0;i<6;i++){
        nodes[i] = (_Node*)malloc(sizeof(_Node));
        nodes[i]->num = i;
        nodes[i]->lChild = nodes[i]->rChild = NULL;
    }
    nodes[0]->lChild = nodes[1];
    nodes[0]->rChild = nodes[2];
    nodes[1]->lChild = nodes[3];
    nodes[1]->rChild = nodes[4];
    nodes[2]->rChild = nodes[5];
    //广度优先遍历
    BFS(nodes[0]);
    return 0;
}

void BFS(_Node *node){
    if(node == NULL) return;
    _Node *head;
    queue<_Node*> q;
    q.push(node);
    while (!q.empty()){
        //弹出表头节点
        head = q.front();
        q.pop();
        //访问当前节点
        printf("Search: %d\n",head->num);
        //插入下一层的节点
        if(head->lChild != NULL) q.push(head->lChild);
        if(head->rChild != NULL) q.push(head->rChild);
    }
}

复杂度与效率

在查找路径时，BFS能够快速找到最短路径，但是它的空间复杂度更高，而DFS也可以找到一条路径，但是不保证它就是最短路径。如果一定要查找最短路径，那么它就需要遍历所有节点。

Dijikstra算法

设图G的邻接矩阵M，M(i.j)表示i到j的距离，用一个大整数来表示i和j不连通

用二维数组map来表示矩阵M，称map[0][0]为原点

#define G 10000
int map[5][5] = {
        {0,G,3,G,1},
        {G,0,1,G,3},
        {3,1,0,2,G},
        {G,G,2,0,3},
        {1,3,G,3,0}
};

其中map[i][j]表示i到j的路程距离，G表示i和j不相邻。G可以使用一个大整数来表示，也可以使用-1来表示，但是这样就需要额外写一个判断语句

用d[i]数组来表示原点到i点的最短路程，并使用map[0]来初始化。此时原点到各点的最短路程就是它和相邻的点之间的距离

在每次循环中，先搜索d数组中最小的元素，并将其标记，下次搜索就会跳过这个元素。记搜到的最小值为min，下标为index，循环判断d[index]和map[index][k]的大小，如果存在d[index] + map[index][k] < d[k]，则说明从原点先到index点再到k点比直接到k点路程更短，则将d[k]更新为d[index] + map[index][k]

#include <iostream>
#include <queue>
#define G 10000
using namespace std;

int map[5][5] = {
        {0,G,3,G,1},
        {G,0,1,G,3},
        {3,1,0,2,G},
        {G,G,2,0,3},
        {1,3,G,3,0}
};
int d[5];
bool mark[5] = {false,false,false,false,false};
void Dijikstra();

int main(){
    memcpy(d,map[0],sizeof d);
    Dijikstra();
    for(int i=0;i<5;i++){
            cout << d[i] << endl;
    }
    return 0;
}

void Dijikstra(){
    for(int i=0;i<5;i++){
        d[i] = map[0][i];//初始化d数组
    }
    for(int i=1;i<=5;i++){
        int min = G;//距离原点最近点距离
        int index = 0;//距离原点最近点下标
        for(int j=0;j<5;j++){
            if(!mark[j] && min > d[j]){
                min = d[j];
                index = j;
            }
        }
        mark[index] = true;//标记
        for(int j=1;j<5;j++){
            if(map[index][j] != G){
                if(d[index] + map[index][j] < d[j]){
                    d[j] = d[index] + map[index][j];
                }
            }
        }
    }
}

启发式算法

曼哈顿距离

两点的曼哈顿距离是两点x轴之差的绝对值和y轴之差的绝对值的和，例如(x1,y1)和(x2,y2)之间的曼哈顿距离是|x1-x2|+|y1-y2|

欧式距离

欧式距离就是传统平面直角坐标系中的两点间距离

加权图

在之前的图中，都默认边的长度为1。但是在地图中，两个城市之间的距离是不固定的，也就是说每一条公路都有不同的长度，这就是权。实际上在Dijikstra算法中的图也是加权图

在加权图中每条边都有一个权值，因此通路Γ的长度不再是边的个数，而是通路中所有边的权之和

估值函数

设当前访问的顶点为N，终点为G，为了估计N与G的距离，定义估值函数h(N)表示N到G的估计最小距离，而h*(N)表示N到G的实际最小距离。在平面直角坐标系中，通常用欧式距离来计算h(N)，即h(N)=|NG|。但是有时为了方便，也可以使用曼哈顿距离来表示h(N)

以地图上的城市为例，在不知道实际最小距离的情况下，通常用连接两城市的线段长度来估计距离，而它们的实际最小距离通常会大于估计最小距离

综合优先级

设图的起点为S，当前访问节点为N，终点为G，显然S到G的实际距离是已知的(只需要把路径上的所有边的权相加)。记g(N)为S到N的最小距离，这个最小距离就是所有边的权之和。

记f(N)=g(N)+h(N)为N点的综合优先级，f(N)越小则综合优先级越高

优先队列

优先队列用于保存元素的优先级

例如

地点	A	B	C
优先级	1	2	3

数字越小表示优先级越高 

A*算法

A*算法的效率取决于f(N)的准确度，也就是h(N)的准确度

首先将起点放入队列中，记录它的父节点(NULL)，g(S)和f(S)，然后开始循环：如果队列不为空，则查找优先级最高的点N，遍历与它相邻的所有点，且每个点只被遍历一次，记录下这些点的父节点(N)，g(S)和f(S)，然后添加到优先队列中，并从优先队列移除N。如此重复，直到终点变成优先级最高的节点，此时从终点G开始，沿着父节点查找就可以找到S到G的最短路径

A*算法示例

 如上图，起点为S，终点为G。为了方便计算，令h(N)=1

 先把S加入队列

父节点	NULL
节点	S
优先级	1

将与S相邻的节点加入队列，并移除S

父节点	NULL	S	S
节点	S	A	B
优先级	1	3	4

A的优先级最高，因此遍历与A相邻的节点，并加入优先队列

父节点	NULL	S	S	A	A
节点	S	A	B	C	D
优先级	1	3	4	4	10

现在B和C的优先级相同，任意选择一个即可。现选择B作为下一个循环的节点，发现B附近的节点D已经在优先队列中，但是优先级比从A到D更高，因此直接更新列表，覆盖原来的节点

父节点	NULL	S	S	A	B
节点	S	A	B	C	D
优先级	1	3	4	4	8

 选择C作为下一个循环的节点，再次更新D节点

父节点	NULL	S	S	A	C	C	C
节点	S	A	B	C	D	E	F
优先级	1	3	4	4	7	10	7

选择D作为下一个循环的节点，由于A,C节点都被遍历过，只需要考虑F，但是从D到F的优先级为9，而从C到F的优先级为7，因此不更新列表

父节点	NULL	S	S	A	C	C	C
节点	S	A	B	C	D	E	F
优先级	1	3	4	4	7	10	7

选择F作为下一个节点

父节点	NULL	S	S	A	C	C	C	F
节点	S	A	B	C	D	E	F	G
优先级	1	3	4	4	7	10	7	8

 此时G变成优先级最高的节点，循环结束，沿着父节点一路向上查找，得到的就是最短路径

S-A-C-F-G，g(G)=7，即路径长度为7

估值函数对A*算法的影响

当h(N)=0时，优先级完全由g(N)决定，此时A*算法变成Dijkstra算法

当h(N)偏小时，意味着某些优先级较低的节点优先级变高，这样会导致循环次数增加，但是仍然能够找到最短路径

当h(N)偏大时，某些优先级较高的节点优先级降低，可能会导致算法提前终止，此时A*不一样能找到最短路径