导航凭什么比你自己认路还准?一个算法讲透

news2026/4/30 9:28:03
导航凭什么比你自己认路还准一个算法讲透一、被导航坑过的都进来上周三晚上我从西二旗打车回家。导航说走北五环28 分钟。结果呢五环堵成停车场47 分钟才到。我当时就想——这破导航还不如我自己瞎走。但冷静下来一想它坑我一次但剩下 99 次都对了。 它到底怎么做到的今天不讲大道理就用一道题把这个事儿说清楚。二、题目来了别跑已知北京市地图以及地图中任意两点 A 和 B 的最短路径算法试给出一种计算 A 和 B 最短路径的启发式算法。翻译一下在北京这个大迷宫里怎么又快又准地找到从 A 到 B 的最近路线是不是感觉像考试题没错它就是。但答案其实就在你每天用的导航里。三、笨办法 vs 聪明办法笨办法每条路都试一遍假设你是个人肉导航从西二旗到国贸你怎么找路方法一把北京所有路都走一遍比谁短。北京有 十几万个路口几十万个路口之间的连接。全试一遍你走到退休也走不完。方法二随便选一条看着近的走就完了。结果就是——你走上了那条看着近但实际绕了 8 公里的坑爹路。笨办法的致命问题要么太慢要么太瞎。聪明办法带个指南针探路A 算法就是导航用的那个的聪明之处在于——它不完全瞎也不完全算它是猜着走。怎么个猜法我打个比方假设你在一个完全陌生的商场里找卫生间。你怎么找你不会把每家店都推开看一遍太慢也不会闭着眼睛瞎走太瞎。你会——朝着感觉在那边的方向走。 看到指示牌就确认一下走错了就回头。A 算法干的就是这事儿只不过它手里的感觉是数学算出来的。四、核心就一个公式真就一个A 算法脑子里只有一个公式总分 已经走了多远 感觉还剩多远没了。就这一个。拆开看“已经走了多远”——这个是实打实的走了 3 公里就是 3 公里不骗人。“感觉还剩多远”——这个是猜的怎么猜画直线。 从你现在的位置到目的地拉一根直线直线距离就是感觉。为什么要画直线因为直线一定是最短的实际路线只可能比直线长不可能比直线短。用直线来猜永远不会猜得太乐观。总分越低说明这条路越有希望。 每次都在所有备选路线里选总分最低的走就这么简单。五、用一个真实场景走一遍假设从望京到国贸导航脑子里是这样运作的第 1 秒 刚出发面前有 3 条路可选。走哪条 已经走的 直线还剩 总分往北绕 2 km 18 km 20往南走 1.5 km 14 km 15.5往东拐 3 km 17 km 20选总分最低的——往南。第 3 秒 走到阜通西大街又面临选择。走哪条 已经走的 直线还剩 总分继续南下 3 km 12 km 15拐进小区路 3.5 km 13 km 16.5继续南下。第 15 秒 上了四环快到了。走哪条 已经走的 直线还剩 总分走四环直达 11 km 4 km 15下四环穿小路 11.5 km 3 km 14.5等等小路的总分更低那导航会切换吗会。 这就是导航最牛的地方——它不认死理发现更好的路随时切换。六、这道题的标准答案精简版如果考试考这道题你写这些就够拿满分了答采用 A 启发式搜索算法。核心思想 每次从候选路口中选择已走距离 预估剩余距离最小的路口继续探索直到到达终点。关键公式 f(n) g(n) h(n)g(n)起点到当前路口的实际距离h(n)当前路口到终点的直线距离启发式预估f(n)综合评估值越小越优先为什么用直线距离做预估 因为两点之间直线最短直线距离永远不会高估实际距离这个性质保证了算法一定能找到最短路径。算法步骤把起点放入待探索列表每次从列表中选出 f 值最小的节点如果是终点结束否则把它标记为已探索把它的邻居节点加入列表更新它们的 g、h、f 值重复 2-4直到找到终点从终点往回找得到完整路径七、说点实在的你以为这就完了其实你手机里的高德、百度、苹果地图底层全是这个算法的变种。区别只是他们的地图数据更细细到每条小胡同他们的预估更聪明考虑了实时拥堵他们的计算更快几万个路口一秒算完但灵魂没变——已经走的 感觉还剩的 选这条。下次导航再带你绕路的时候别急着骂。它可能只是在那个瞬间感觉那条路更近。它也会犯错但它犯错的概率比你瞎走的概率低多了。收藏备用*考试遇到路径规划题写 A 就对了。你被导航坑得最惨的一次是啥样评论区聊聊让我知道我不是一个人。2026-04-23 · 用大白话讲算法

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2548019.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…