KD Tree原理讲解

1.引子

在一张地图上，有600多个单位，每个单位之间都需要独立寻路，检测碰撞和寻找最近的敌方目标。当这一切需要在手机上流畅运行并尽可能快的在服务器进行模拟时，最简单的平方算法O(N^2)已经不能满足需求。

怎样减少计算的复杂度呢?

通过观察，可以发现，在地图左上角的单位根本无需和地图右下角的单位进行碰撞检测，因为它们离的太远了。

所以，通过对战场进行空间划分，可以避免大量的无效计算。

一种简单的划分方法是，将战场沿着横纵坐标划分为N * N的格子，只对在相同格子内的战斗单元做碰撞检测。

这种方法在大部分情况下简单有效，然而有以下几点问题:

1.当格子边长太大时，假设很多单位都聚集于一个或少数几个格子中，其实空间并没有有效划分

2.当格子边长太小时，一个格子内的单位可能太少了，也不能对空间进行有效划分

3.如果不查找附近的几个格子，可能或错过附近格子可能距离更近的单位

4.这种方法的空间复杂度是O(N2)，在格子数很多的情况下，内存开销会很高

KD树k — dimensionaltree，也可称之为K维树，可以用更高的效率来对空间进行划分，并且其结构非常适合寻找最近邻居和碰撞检测。

2.KD Tree之前的树

1.四叉树

2.点四叉树 

在点上拆分而不是均匀划分空间

3.区域四叉树

通过区域的实分解来分割区域（树叶）

 3.KD Tree的原理

对于2维空间，KD树可称为2D树，因为空间只有两个坐标轴;对于3维空间，KD树可称为3D树，空间中有三个坐标轴;以此类推......

对于不同维度的空间，KD树的构建思路完全一致。下面以二维空间为例。

KD树的本质是一个二叉树，即一个根节点，划分为左子树和右子树。所以KD树的构建无非是两个问题:根节点的选择，左右子树的划分规则。

以下是KD树的构建过程：

1. 选定一个轴，比如X轴，选择这个轴上的中位数的所在点为根节点
2. 所有X比中位数X小的，都划分为左子树；反之，则划分为右子树
3. 对于左右两个子树，重复第一步，但是需要把划分轴换成另外一个轴（Y）继续
4. 重复以上过程，直到所有点都加入KD树中

以上图举例，第一步对X轴进行划分，点7,2的X坐标7为所有X坐标的中位数，其被确立为根节点；X坐标比7小的点5,4、2,3、4,7被划分到左子树；X坐标比7大的点9,6、8,1被划分到右子树。

对于左子树5,4、2,3、4,7，对它们的Y轴进行划分，点5,4的Y坐标4为所有左子树的Y坐标的中位数，其被确立为左子树的根节点；Y坐标比4小的点2,3被划分为左子树；Y坐标比4大的点4,7被划分为右子树。

对于右子树9,6、8,1，和左子树同理，也是对Y轴进行划分。

此时所有点都已经加入到KD树中，创建结束。

一个直观的理解是，创建方式看起来有点像对空间横纵切蛋糕的方式，对于2D空间，第一刀沿着X轴将空间划分为两半，第二刀又沿着Y轴分别将已经划分好的两半再划分为两半，第三刀又继续沿着X轴进行划分……直到所有点都落入KD树中 

另外一个例子：

4.数据结构与查询算法

1.如何定义其数据结构

构成：根的左右值，左右子树，以x还是y特征进行划分

 2.查询算法：

逻辑：

•如果节点在查询范围内，记录节点

•如果查询范围与左子树定义的区域相交，则查找它

•如果查询范围与左子树定义的区域相交，则查找它