CAD程序性能优化之数据结构与算法

       经常看到过这样的定义：程序=数据结构+算法。因此，程序的性能往往同时受这两个方面影响。关于这两个方面，有很多经典的书籍可供参考和学习，本文做一些简单的介绍和总结。

1. 常用数据结构分析

       选择哪种数据结构存储，一般可以通过遍历、插入、删除、查找4个基本操作进行分析。这里比较3种常用数据结构：数组、链表、哈希表。这里的哈希表由数组和链表实现。下表比较了3种不同容器基本操作的性能。

注1：这里的遍历是指“获得某一位置的元素”

注2：m一般是远小于n的数字，表示哈希表中链表的平均长度

       从上表中可以看出：数组的特点是遍历方便，但扩展性差；链表的特点正好相反，而哈希表则兼顾了两者的优点，但引入了额外的哈希函数。因此，当前应用场景中，如果对数据的遍历操作占比很多，一般选择数组；如果插入、删除很多，一般选择链表；如果查找很多，或想兼顾遍历、查找、删除，则选择哈希表。

       STL为我们提供了一整套基于模板的通用数据结构以及匹配的常用算法，不需要我们重复造轮子，但需要我们理解基本原理和适用场景。

       STL容器的使用也依赖于具体的实现，有一些通用的规则可循，这里以std::vector简单聊一下注意事项：(1) std::vector的插入（insert）和删除（erase）操作是非常耗时的，因为需要移动操作位置后面的所有元素，对于大型数组而言，开销是非常显著的，所以应当尽量避免。(2) 虽然std::vector具有动态管理内存的功能，但如果需要将大量元素灌注到一个std::vector中，应当提前分配内存（resize或reserve），而不是利用追加操作（push_back），否则会因为频繁申请内存和复制元素，导致效率低下。

       需要注意的是，STL提供的容器是非常丰富的，并且，单个容器可能是合并了多种技术来实现的，比如，std::vector是在静态数组的基础上实现的动态数组，而std::map则有几种不同的实现方法，来应对不同的细分场景。因此，需要开发者在理解基本原理之后，在实践中体会不同数据结构的特性，以选择最合适的数据结构。

2. 算法思路

       对算法的精彩讨论莫过于排序算法，出于对这一经典问题的研究，诞生出了各种各样的排序，对这些算法的分析可以很容易获取到。因此，本文不打算深入讨论这一问题，而是想谈谈算法设计中的一些实用技巧。

       分治策略。也就是将一个复杂的问题不断分解为有限个简单问题，从而将复杂度降低的策略，一般可以将算法复杂度从$O(mn)$降低为$O(mlogn)$。分治策略一般分为3个步骤：分解、求解和合并，应用分治策略的一个典型算法是“归并排序”，可以很容易在涉及算法的书籍中找到，就不深入讲解了。

       这里举一个简化分治策略的例子，即二分查找。CAD的表示基础是NURBS，而根据参数 $u$ 计算NURBS曲线上对应点坐标和各阶导数是极其常用的功能。根据局部支撑性 ，NURBS曲线在某点处的位置信息，只与周围的degree+1个极点有关。因此，需要先确定参数 $u$ 在节点向量中的位置，从而得到相关的节点和极点，就能计算对应点坐标和各阶导数了。如果采取遍历的方式，逐个比较参数 $u$ 与节点的大小，对于复杂曲线，是非常不经济的（复杂度$O(n)$）。而节点向量是有序的，可以采用二分查找确定节点区间（复杂度$O(logn)$）。

       动态规划。这种方法一般也会将复杂问题分解为一系列子问题，先求解子问题，最后将子问题的解合并，得到原问题的解，这与分治策略类似。为了区分两者，这里先讲解适用动态规划的三个性质：

(1) 最优子结构：问题的最优解所包含的子问题的解也是最优的。
(2) 无后效性：当前阶段的状态值（子问题的解）一旦确定，就不再改变，不会再受到后续阶段决策的影响。
(3) 有重叠子问题：在求解子问题的过程中，有大量的子问题是重叠的，一个子问题的解会重复被使用。

       不难看出，动态规划与分治策略不同的是：适用于动态规划求解的问题，在分解之后得到的子问题往往是相互联系的，会出现很多重叠子问题。动态规划会将这些重叠子问题的解保存起来，供随后的计算查询使用，从而避免大量的重复计算。动态规划的经典应用非常多，比如最长公共子序列问题、背包问题、最短路径问题。与分治策略类似，本文不打算介绍这些容易查到的应用，而是讲述一个CAD方面的应用：加权最小三角化（MWT）。

       如图1(a)，一条3D封闭轮廓由一系列点构成，围起了一个区域D，MWT是为了找到类似图1(b)中的水密三角形网格，满足所定义的权重最小条件。这里以面积作为权重，即我们想找到面积最小的三角形网格。如图1(c )所示，任取一条边界 E 01 E_{01}