矢量地图中一种求最短路径的快速算法.docVIP

矢量地图中一种求最短路径的快速算法 　　摘 要：在分析总结了经典Dijkstra算法的基础上，提出了求最短路径的一种快速实现算法，根据算法的复杂度与网络节点数n成线性关系即O（n）的特点，给出了该算法的具体实现结构。 　　关键词：最短路径算法;城市道路网络;地理信息系统;经典Dijkstra算法 　　中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2015）09-00-03 　　0 引 言 　　最短路径问题（SP）是最基本的网络优化问题之一，在交通网络分析系统中占有重要地位，是其它网络优化算法的基础。最短路径问题在实际中常用于汽车导航系统以及各种应急系统，这些系统一般要求到目的地的最佳路线所用时间尽可能短，并且要求根据交通状况进行实时计算。经典的最短路径算法――Dijkstra算法是目前多数系统解决最短路径问题采用的理论基础，不同系统对Dijkstra算法采用了不同的实现方法。本文以经典Dijkstra算法为理论基础，在对矢量地图进行大量分析、实验的基础上，提出最短路径的一种快速实现算法，算法的复杂度与网络节点数n成线性关系，即O（n），与经典Dijkstra算法的O（n2）相比，提高了算法的实用性。 　　1 最短路径快速实现算法 　　1.1 经典Dijkstra算法的主要思想 　　Dijkstra算法的基本思路是：假设每个点都有一对标号（dj ， pj），其中dj是从源点s到点j的最短路径的长度（不包括顶点到其本身）;pj则是从s到j的最短路径中j点的前一点，k为已标记节点的集合。求解从源点s到点j的最短路径算法的基本过程如下： 　　（1）初始化。源点设置为：ds=0，ps为空;所有其它点：di=∞，pi=？;标记源点s，记k ={s}，其他所有点设为未标记。 　　（2）检验从所有已标记的点k到其直接连接的未标记的点j的距离，并设置：dj=min[dj，dk+lkj]，其中，lkj是从点k到j的直接连接距离。 　　（3）选取下一个点。从所有未标记的结点中，选取dj中最小的一个i：di=min[dj，所有未标记的点j]，点i就被选为最短路径中的一点，并设为已标记的。 　　（4）找到点i的前一点。从已标记的点中找到直接连接到i的点j，作为前一点，设置：pi= j。 　　（5）如果所有点已标记，则算法完全退出，否则，记k=k ∪{i}，转到（2）再继续。 　　1.2 Dijkstra算法的分析与待改进的地方 　　图1所示是上海市区的部分街道图，其中节点1为起始点。根据上一节描述的Dijkstra算法，当计算进行到若干次循环后的情况如图1所示。其中“◎”表示已标记的节点，“●”表示与已标记节点相邻的未标记节点。可以看到，此时图1中节点1、2本身都已标记，并且它们相邻的节点也已标记。因此形如节点1、2这种类型的节点应该而且能够直接跳过算法的第（2）步，从而不做比较。设已标记节点为m个，其中相邻节点中有未标记的已标记节点有k个，我们令K={dj|j=1，...，k}，M={dj|j=1，...，m}，则KM。把集合K用平滑曲线连接起来，可以得到一个以起始点为原点的近似圆c，其中集合K中的元素位于圆c的周围长上，集合M是圆c围住的所有已标记节点。 　　图1 道路示意图 　　表1、表2是以上海市城区道路图数据为例的实验结果，从中可以观察kMax和mMax，和之间的关系。 　　表1的几点说明：所有数据的起点相同，终点随机选取;kMax、mMax为计算最短路径时集合K和集合M中元素曾经达到的的最大数目，和则是集合K和集合M中元素的平均个数;ArcNum为起点到终点沿最短路径所经过的弧段的个数;Distance是起点到终点的实际距离，单位是m。显然，弧段的个数与实际距离不成正比。 　　关于表2的几点说明：取表1的最后一组数据，即kMax=135，mMax=6 756来验证一次Dijkstra算法计算最短路径时集合K中元素个数Knum和集合M中元素个数Mnum之间的关系，Knum的采样间隔大约为10。随着计算的进行，集合K中元素的数目逐渐增多，集合M中元素的数目增长的非常快。若干次计算后，集合K、M中的元素数目分别达到最大值kMax和mMax。 　　观察表1、表2的数据，可以得到如下结论： 　　（1）随着起点和终点间距离的增大，kMax、mMax和、都增大，但kMax增长速度远小于mMax，增长速度远小于。最坏情况下与的比例只有3%左右。 　　（2）集合K中元素的数目始终小于集合M中元素的数目。因此，如果算法中我们只针对集合K进行操作，将极大缩小d的规模，使修改d的时间和在d中选择最小分量的时间因d的规模的缩小而降低很多。更进一步，如果d是有序的，则从k（k≤