前言:
又到了人才流动的高峰季节, "金三银四", 过了这个村, 就没那个店, ^_^. 面试者勤奋地准备题典, 面试官也在奋笔疾书, ^_^.
有些面试官喜欢广度的知识覆盖, 而有些面试官喜欢深度的知识探求.
笔者不是面试者, 也不面试官, 但想结合自身的学习和工作经历, 对深度型的题材做下尝试和研究.
这篇让我们谈谈迷宫寻路系列, 分基础篇, 进阶篇和难度篇.
基础篇:
让我们先来构造一个游戏场景:
在一个迷宫中, 鼠精灵需要绕过巨石, 找到迷宫中的出口, 求最短路径?
关于该问题, 大家肯定不假思索的提到: 宽度优先遍历(BFS).
// 1).初始化工作
// 1.1). 把源节点坐标放入队列中
queue.push((x, y，step=0));
// 1.2). 标示该节点访问过
visited[(x, y)] = true
// 2).BFS procedure
while ( !queue.empty() ) {
// 2.1).取出当前节点
(x, y, step) <= queue.pop()
// 2.2).判断是否为目标节点, 并返回
if ( (x, y) == (dest.x, dest.y) ) {
return (step);
}
// 2.3).遍历(x, y)的邻近节点
foreach ((x', y') in neighbor(x, y)) {
// 2.3.1).可到达且没有访问过
if (is_available(x', y') and visited[(x, y)] == false) {
queue.push((x', y', step + 1));
// 标示访问过
visited[(x', y')] = true
}
}
}
// 3). 不存在路径
return unavailable
注: 判断是否到达目标节点的代码片段比较灵活, 为了加速可放到2.3.1) IF判断里面.
确实很简单, 不过这是最基本的.
进阶篇:
同样的场景, 如果迷宫很大, 那使用BFS的话, 效果就不是很高. 那是否存在更高效的算法呢?
有两种成熟而常规的实现思路: A*算法和双向宽度优先搜索.
1). A*算法:
该算法引入启发式评估函数, 用以加速最短路径求解过程.
核心概念:
• 历史代价g(n): 从初始节点到n节点的实际代价, 代表过去和现在
• 预测评估h(n): 当前节点n到目标节点的预测代价, 代表未来
• 启发评估f(n): 节点n的估价函数, 其满足f(n) = g(n) + h(n)
这边特别要注意的一个先决条件: 预测函数h(n) <= 实际的真实代价
预测函数h(n)越接近于真实代价, 其启发评估的效果越好.
更详细的请参考如下博文"Amit's A star Page中译文".
这边我们选择曼哈顿距离作为预测函数h(n), 整体的框架代码如下:
// 1).初始化工作
// 1.1). 把源节点坐标放入优先队列中
priority_queue.push((x, y, f(x,y)=0));
// 1.2). 标示(x, y)的代价为0, 其余皆为无限大
cost[(x, y)] = (f(x, y) = 0)
// 2).BFS procedure
while ( !priority_queue.empty() ) {
// 2.1).取出当前节点
(x, y, f(x,y)=step) <= priority_queue.pop()
// 过滤掉中间节点
if ( f(x,y) > cost[(x, y)] ) {
continue;
}
// 2.2).判断是否为目标节点, 并返回
if ( (x, y) == (dest.x, dest.y) ) {
return f(x, y);
}
// 2.3).遍历(x, y)的邻近节点
foreach ((x', y') in neighbor(x, y)) {
// 可到达且节点有更优的解
g(x',y') = f[(x, y)] + 1;
if ( is_available(x', y') and (cost[(x', y')] > g(x',y') + h(x', y')) ) {
priority_queue.push((x', y', f(x',y')=g(x',y')+h(x',y')));
// 更新该节点的评估值
cost[(x', y')] = f(x',y')=g(x',y')+h(x',y')
}
}
}
// 3). 不存在路径
return unavailable
注: 于BFS版相比, 这边使用优先队列代替FIFO的队列, 并借助代价cost表代替访问visited表.
2). 双向宽度优先遍历:
该算法借助起点和终点的双向宽度遍历, 来加速最短路径的求解过程.
算法的流程和代码就不再具体展开了, 让我们通过画图来形象地比较各个算法的优劣.
寻路算法遍历的节点数量, 可用面积来表示. 图中可得BFS是圆型, A*是椭球型, 而双向宽度搜索则是两个刚好相切的圆形. 从图形面积对比中, 我们可以获取到各个算法优劣的视觉直观体验.
难度篇:
之前的场景比较普通, 现在让我们加入小怪兽来搅搅局.
在新的场景中, 小怪兽按固定线路在巡视, 鼠精灵需要走出迷宫的最少耗时是多少? "最短路径"是多少?
在有不确定的因素的干扰下, 使用常规的最短路径算法就不再可行的. 有没有其他的解法呢?
在迷宫地图较小时, 我们可以借助动态规划的思想来解决.
设opt[n][y][x]为状态矩阵:
n表示步数, (x, y)表示迷宫地图的位置信息, 而其值表示鼠精灵在该步数后能否到达该节点.
初始状态:
opt[0][y][x] = true
状态迁移方程:
opt[n+1][y][x] = (opt[n][y'][x']==true && monster[n+1] != (x', y') )==false, {ε(x',y')，adjacency to (x,y)}) ? true : false;
具体的伪码如下:
// 初始化
opt[0][y][x] = true;
// 步数遍历
for ( step = 0; ; step++ ) {
// 迷宫矩阵遍历
for ( i = 0; i < height; i++ ) {
for ( j = 0; j < width; j++ ) {
// 当前节点可达
if ( opt[step][i][j] == true ) {
// 枚举各个邻近的可达节点
foreach (x', y') adjacency (j, i) {
// 小怪兽在步数step + 1， 没有走到该点
if ( monster[step + 1] != (x', y') ) {
opt[step + 1][y'][x'] = true;
}
}
}
}
}
// 检查目标节点是否到达
if ( opt[step][dest_y][dest_x] == true ) {
return step;
}
}
return Oops;
注: 若该迷宫没解, 必然存在循环节, 最外层循环借助滚动数组来优化.
总结:
从迷宫寻路的场景出发, 逐步进行基础知识的深挖掘, 还是具备一定的区分度的.
面试这东西, 能遇到一个nice的面试官是种幸福. 但很多时候, 往往是一场闹剧了.
写在最后：
如果你觉得这篇文章对你有帮助, 请小小打赏下. 其实我想试试, 看看写博客能否给自己带来一点小小的收益. 无论多少, 都是对楼主一种由衷的肯定.
