A* 算法的数据结构

 

原始需求：求某电车到D公里范围内的地图显示

转换需求：

　　第一步：由某个点P到距离恰好大于等于D公里的所有的路的集合求出来

      第二步：所有的路外的点组成polygon 然后渲染

 

第一步的详细算法A*：

        1.我们有一个空的集合C用来放符合条件的R，和某个点P（简单起见，假设P在路上，用R表示路）

        1.1 R有属性id，权重weight（也就是路到A点的当前路径的距离）

        2. R根据graph模块找到和他直接相连的几条路Rx1…Rxn ，Rx1…Rxn权重weight小于D公里时放入集合C。在放入集合之前

           查看C中和Rx1…Rxn id是否有相同的Rx，如果有并且新的权重大的话就更新权重，否则放弃更新。 

        3. 在集合C中找到一个权重weight最小的Rmin

        4. 如果Rmin 的权重weight 小于D 重复2，3步。

           否则退出循环，表示目前的集合C已经满足情况。

 

 

本文重点-集合C需要的特性：

　　1.根据id 快速查找id相同的Rx1…Rxn 

　　2.插入新的Rx1…Rxn 

　　3.根据权重weight找到Rmin

　　4.删除Rmin

 

　　也就是说集合C需要快速查找，插入，删除，有序。看到这个需求同事用了2版数据结构

　　第一版：二叉堆版的优先级队列priority_queue， 性能7s，方案错误

      优点O(logN)的插入和删除Rmin，缺点O(N)的id查找，无法删除飞最小值

 

　　第二版：有序链表版的优先级队列，性能5s

　　优点O(1)的删除Rmin，缺点O(N)的id查找，O(N)的插入

 

　　由LRU cache的list+map启发：

　　第三版：list无序存放R，map1存放{id, node指针}, multimap存放{weight, node指针}，性能1s

　　　　　　优点：O(logN)的map1查找，更新，multimap的删除Rmin，插入

　　　　　　缺点：这里的 weight是一个浮点型数，所以weight不能通过计算后查找比如（1.0+2.0）去find3.0。

  　　　　　　　　 这里还得明白map的find函数是通过(key >= lower_bound)&&(lower_bound >= key)实现的。