嵌入式智能查詢算法對數(shù)據(jù)進行的可視化處理方案分析

數(shù)據(jù)在許多研究領域都可采用圖形來表示，圖形和圖形理論為人工智能決策提供了有效的可視化工具、體系化準則和相關技術。本文以交通線路自動調整系統(tǒng)為例，說明在嵌入式智能查詢算法中如何利用圖形對數(shù)據(jù)進行可視化處理的方法來避免“盲目”操作，從而提高算法的決策效率。
　　圖形由節(jié)點和邊線組成，節(jié)點通常畫作圓形，而邊線則是節(jié)點之間的連線。在軟件中，節(jié)點通常采用將邊線作為指針或數(shù)組下標的數(shù)據(jù)結構加以實現(xiàn)。對圖形進行遍歷查詢的算法有多種，常用的算法包括深度優(yōu)先查詢和寬度優(yōu)先查詢算法。深度優(yōu)先和寬度優(yōu)先都屬于“盲目”查詢算法，深度優(yōu)先算法沿著一組邊線從根節(jié)點一直查詢到最遠端的葉節(jié)點，再查詢下一個葉節(jié)點；寬度優(yōu)先算法則首先查詢一個邊線距離以內的所有節(jié)點，再查詢兩個邊線距離以內的節(jié)點，以此類推。
　　上述算法之所以具有盲目性，是因為算法在查詢適當解決方案的過程中并未指示任何有效信息，而只是盲目地遵循遍歷算法，甚至有可能在找到解決方案之前需要遍歷每一個節(jié)點，因而效率比較低。本文介紹的基于數(shù)據(jù)可視化處理的嵌入式智能查詢算法以車輛行駛線路自動調整系統(tǒng)為例來說明解決上述問題的思路。
　　車輛導航
　　在設計一個遍歷整個公路段的網絡系統(tǒng)中，假定存在一個自動垃圾收集站系統(tǒng)、運動攝像機或自動交通線路調整系統(tǒng)。圖1顯示了舊金山的部分城市交通圖。首先，需要創(chuàng)建代表上述數(shù)據(jù)的網絡圖，以確定將哪些單元作為節(jié)點。如果其他標志不甚明顯，那么道路交叉口就可選擇為節(jié)點。隨著這些節(jié)點的插入，就完成了網絡圖的一部分，不過目前得到的只是城市交通圖的無目標靜態(tài)表示。
　　
　　下一步是添加系統(tǒng)進行智能決策所需的額外信息。如果系統(tǒng)的目標是幫助車輛選擇最佳的路徑而從一個交叉口駛向另一交叉口，很自然地就會想到為那些連接交叉口的公路段分配權值。在最簡單的情形中，所有的道路都不是單行道，并且具有相同的速度限制和車道數(shù)目。即便這些條件不能完全反映真實的道路狀況，一旦構建好網絡圖和權值模型，就能很容易擴展到這些真實環(huán)境中去。
　　對交通圖中的邊線賦以權值有助于系統(tǒng)找到最佳的路徑。在某種程度上，這些權值可以任意分配，這里假定權值表征平均車流密度?；谔囟〞r段或局域條件的動態(tài)權值也是可行的，并不影響以下分析。
　　圖1中，邊線的權值表示了每小時穿過道路的平均車流量，這些統(tǒng)計數(shù)據(jù)并不基于任何實際的數(shù)據(jù)，但在分析中相當有效。如果車輛必須從Scott和Jackson交叉口（節(jié)點5）行駛到Fillmore和Vallejo交叉口（節(jié)點17），采用最小車流量判據(jù)，得到的查詢算法應能得到總權值最小的路徑。
　　我們很容易就能在網絡圖中畫出結果，但仍然希望能借助計算機解決問題。表征圖形的兩種最常用方法是鄰接矩陣（adjacencymatrix）和鄰接表（adjacencylist）。鄰接矩陣是靜態(tài)的多維陣列，矩陣中的元素表示一個節(jié)點到另一節(jié)點的權值。圖2顯示了示例網絡中包含節(jié)點1至節(jié)點6之間邊線權值的部分鄰接矩陣。節(jié)點1和節(jié)點6之間的邊線權值位于最右角（對應點位于左下角）。圖2中36個節(jié)點的公路網絡的整個鄰接矩陣可包含36個元素。