BFS/DFS区别
DFS就是回溯算法,BFS找到的路径一定是最短的,但代价就是空间复杂度比 DFS 大很多
DFS 实际上是靠递归的堆栈记录走过的路径,要找到最短路径,肯定得把二叉树中所有树杈都探索完才能对比出最短的路径有多长。
而 BFS 借助队列做到一次一步「齐头并进」,是可以在不遍历完整棵树的条件下找到最短距离的。
DFS 是线,BFS 是面;DFS 是单打独斗,BFS 是集体行动
BFS 可以找到最短距离,但是空间复杂度高,而 DFS 的空间复杂度较低
DFS空间复杂度一般为O(logN) BFS的空间复杂度为O(N) N为节点个数
BFS 还是有代价的,一般来说在找最短路径的时候使用 BFS,其他时候还是 DFS 使用得多一些
Dijikstra算法
经典的最短路径算法,用于计算一个节点到其他节点的最短路径。它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止。
原理:最优子路径存在。假设从S→E存在一条最短路径SE,且该路径经过点A,那么可以确定SA子路径一定是S→A的最短路径。证明:反证法。如果子路径SA不是最短的,那么就必然存在一条更短的'SA,从而SE路径也就不是最短,与原假设矛盾
缺点:此算法能够求出从起点到其余每个结点的最短路径,所以需要遍历所有的路径和结点,计算复杂度比较大
引用:https://blog.csdn.net/heroacool/article/details/51014824
A*算法:
BFS太慢了 BFS的遍历没有明确的目标,扩散朝着所有的方向前进,十分愚蠢的遍历了以起点为中心的周围每一个方块,类似于穷举
能否能让我们的扩散过程有侧重点的进行呢?(启发式搜索)
启发式搜索(带上目标的搜索,不像BFS那样全方位的搜索)
其实我们始终清楚地知道起始点和终止点的坐标,却浪费了这条有价值的信息
def heuristic(a, b):
这种距离叫做曼哈顿距离(Manhattan)
return abs(a.x - b.x) + abs(a.y - b.y)
使用PriorityQueue,queue.put(next,priority)的第二个参数越小,该点的优先级越高,可以知道,距离终点的曼哈顿距离越小的点,会越早从queue中访问。
启发式搜索的效果:
下面就是启发式搜索的效果,unbelievable!
image
到这里是不是游戏就结束了? 这不就搞定啦,还要A*做什么? 且慢,请看下图中出现的新问题:
image
可以看到,虽然启发式搜索比BFS更快得出结果,但它所生成的路径并不是最优的,其中出现了一些绕弯路的状况。
那么启发式搜索和dijkstra算法结合实现Astart算法
一方面,我们需要算法有方向地进行扩散(启发式),另一方面我们需要得到尽可能最短的路径,因此A就诞生了, 它结合了Dijkstra和启发式算法的优点,以从起点到该点的距离加上该点到终点的估计距离之和作为该点在Queue中的优先级
下面的图展现了A算法如何克服了启发式搜索遇到的问题:
image
这种A*算法用公式表示为: f(n)=g(n)+h(n),
也就指代这句代码:
priority = new_cost + heuristic(goal, next)
f(n) 指当前n点的总代价(也就是priority,总代价越低,priority越小,优先级越高,越早被frontier.get()遍历到),g(n) 指new_cost,从起点到n点已知的代价,h(n) 是从n点到终点所需代价的估算.
A*算法也是无人驾驶中最短路径搜索的入门算法。
拓展:
现在的最短路径算法(应用在人工智能,机器人探路,交通导航,游戏设计等)。
分为静态最短路径和动态最短路径:
静态最短路径是外部环境不变来计算最短路径,主要有Dijkstra算法和A start算法。
动态最短路径是外部环境不断变化,即不能计算预测的情况下计算最短路。主要有D*算法。
感兴趣的话可以后续了解。