performance - varias - Encuentra K puntos más cercanos al punto P en plano bidimensional

punto mas cercano al origen de una superficie

Question

Fuente: PREGUNTA DE LA ENTREVISTA AMAZÓNICA

Dado un punto P y otros N puntos en el espacio bidimensional, encuentre K puntos de los N puntos más cercanos a P.

¿Cuál es la forma más óptima de hacer esto?

Esta página Wiki no proporciona mucha ayuda para construir un algoritmo. Cualquier idea / acercamiento a las personas.

Answer 1

Solución 1

private List<Point> nearestKPoint_1(List<Point> list, final Point center, int k) {
    List<Point> ans = new ArrayList<>();
    PriorityQueue<Point> maxHeap = new PriorityQueue<>(k + 1, new Comparator<Point>() {
        @Override
        public int compare(Point o1, Point o2) {
            return distance(center, o2) - distance(center, o1);
        }
    });
    for (Point p : list) {
        maxHeap.offer(p);
        if (maxHeap.size() > k) {
            maxHeap.poll();
        }
    }
    Iterator<Point> i = maxHeap.iterator();
    while (i.hasNext()) {
        ans.add(i.next());
    }
    return ans;
}

public int distance(Point p1, Point p2) {
    return (p1.x - p2.x) * (p1.x - p2.x) + (p1.y - p2.y) * (p1.y - p2.y);
}

static class Point {
    int x;
    int y;

    public Point(int x, int y) {
        this.x = x;
        this.y = y;
    }

    @Override
    public boolean equals(Object o) {
        if (this == o) return true;
        if (o == null || getClass() != o.getClass()) return false;

        Point point = (Point) o;

        if (x != point.x) return false;
        return y == point.y;
    }

    @Override
    public int hashCode() {
        int result = x;
        result = 31 * result + y;
        return result;
    }
}

Solución 2

private List<Point> nearestKPoint_2(List<Point> list, final Point center, int k) {
    List<Point> ans = new ArrayList<>();
    Distance[] nums = new Distance[list.size()];
    for (int i = 0; i < nums.length; i++) {
        nums[i] = new Distance(distance(center, list.get(i)), i);
    }
    quickSelect(nums, k);
    for (int i = 0; i < k; i++) {
        ans.add(list.get(nums[i].i));
    }
    return ans;
}

private void quickSelect(Distance[] nums, int k) {
    int start = 0, end = nums.length - 1;
    while (start < end) {
        int p = partition(nums, start, end);
        if (p == k) {
            return;
        } else if (p < k) {
            start = p + 1;
        } else {
            end = p - 1;
        }
    }
}
private int partition(Distance[] nums, int start, int end) {
    Distance pivot = nums[start];
    int i = start, j = end + 1;
    while (true) {
        while (i < end && nums[++i].compareTo(pivot) < 0);
        while (j > start && nums[--j].compareTo(pivot) > 0);
        if (i >= j) {
            break;
        }
        swap(nums, i, j);
    }
    swap(nums, start, j);
    return j;
}

private void swap(Distance[] nums, int i, int j) {
    Distance tmp = nums[i];
    nums[i] = nums[j];
    nums[j] = tmp;
}

class Distance implements Comparable<Distance> {
    int d;
    int i;

    public Distance(int d, int i) {
        this.d = d;
        this.i = i;
    }

    @Override
    public int compareTo(Distance o) {
        return this.d - o.d;
    }
}

Answer 2

Para una sola consulta ...

Mantener un montón de tamaño k .

Para cada punto, calcule la distancia al punto P Inserta esa distancia en el montón y elimina el máximo del montón si el tamaño del montón es mayor que k .

Tiempo de ejecución: O(n log k)

Answer 3

La solución 1 hace un montón de tamaño K y recoge puntos por una complejidad O (NLogK) de distancia mínima.

Solución 2 : toma y ordena el tamaño N y ordena por distancia. Debe usarse QuickSort (modificación de Hoare). Como respuesta, toma primero K puntos. Esta también es una complejidad NlogN pero es posible optimizar para aproximar O (N). Si omite la clasificación de subordenaciones innecesarias. Cuando se divide el conjunto por 2 matrices secundarias, se debe tomar solo el array donde se encuentra el índice Kth. la complejidad será: N + N / 2 + N / 4 + ... = O (N) .

Solución 3 : busca el elemento Kth en la matriz de resultados y toma todo el punto menor que se fundó. Existe O (N) alghoritm, similar a la búsqueda de la mediana.

Notas : mejor utilizar sqr de distancia para evitar las operaciones sqrt, será mucho más rápido si el punto tiene coordenadas enteras.

Como respuesta a una entrevista, use mejor la Solución 2 o 3.

Answer 4

Puede usar el árbol KD http://en.wikipedia.org/wiki/K-d_tree para particionar el espacio y, dado el punto, podrá buscar vecinos de forma gradual mediante la búsqueda binaria. El beneficio de usar este enfoque es que escala fácilmente a la versión en línea cuando recibe puntos / consultas en tiempo de ejecución uno por uno o en lotes.

Answer 5

¿Qué está mal con el enfoque a continuación?

1) Calcula la distancia desde el punto dado a otros puntos.

2) Guarde la distancia y el índice de ese punto en el TreeMap<Double,Integer> map

3) Seleccione los elementos K superiores del mapa. Sus valores darán índice del elemento Punto de la matriz de puntos.

El mapa se ordena de acuerdo con el orden natural de sus claves, o mediante un comparador proporcionado en el momento de creación del mapa,