最近看了一些和图形、算法可视化相关的文章和代码，挺有意思，于是自己也学着做了些东西。

迷宫生成算法

迷宫小时候玩过，但从来没琢磨过迷宫是怎么设计的，以为就是有人慢慢画出来的。看过网上这篇文章后，才知道，原来还可以随机生成：

Maze Generation - Visualizing Algorithms

自己找了些资料参考，试着实现了几种之后，才慢慢领会到其中的一些原理。

算法中讨论的迷宫满足一个条件：迷宫中任意两点间有且只有一条路径。

要随机生成满足这样条件的迷宫，看起来很复杂啊。但是换个思路之后，就发现问题没那么复杂了。

“树”其实就满足这个条件：

所有的枝叶都可以通过树枝、树干连通
由于枝干不交叉，没有环，所以枝叶间连通的路径是唯一的

所以，生成随机的迷宫的问题，就转化为生成随机的树的过程。进一步，可以拆分为以下过程：

在迷宫网格内随机选择一个点作为“树根”
从树根开始，向随机选择的某一方向开始生长
直到树的枝干通过不断生长、分叉充满迷宫的所有网格

迷宫生成的不同算法，区别主要在两点：

从一个位置开始生成后一直向随机方向延伸的最大长度：有的是延伸一个网格后立即更换生长点，有的则是直到无法继续延伸后才更换生长点
更换生长点时选择位置的方式：有的是记录当前枝干经过的网格，依次后退，有的干脆是完全随机选择一个有可能向外生长的点

深度优先算法

深度优先算法，也叫递归回溯算法。它会一直向随机方向生长，直到无法生成的位置，向后回退一格，继续生长，直到所有网格被填充。

深度优先算法生成的迷宫，会有比较明显的长路径，这是因为树在一开始生成的时候，空间比较充裕，会有一些长的枝条产生。

Prim 算法

Prim 算法不会一直沿着一条路径进行探索，而是不断尝试随机的生长点。所以 Prim 算法生成的迷宫，分叉会比较多：

算法实现

综合以上两种算法，我既不希望有过长的路径，也不希望有太多的分叉，所以我采用的思路的尝试沿着一条路径延伸最多一定的长度，然后再随机选择生长点执行相同的过程。

下图是在 40*40 的迷宫网格，每条枝干最多生长15个网格的效果：

这是执行了一段时间之后，迷宫大部分区域已经走过：

这是最后的效果：

项目地址：luobotang/maze 在线DEMO：迷宫生成算法 - luobotang

算法可视化

上面例子中的迷宫生成算法过程，迷宫网格是通过 HTML 的

实现，相邻网格的连通效果，则是借助 CSS 的边框样式。

整个迷宫的所有网格由二维数组表示，每个网格的状态包含是否被访问、与相邻网格的连通情况等。

算法的执行过程由定时器驱动，每次执行一步，从而有动画的效果。

最短路径算法

与图相关的最短路径算法，在生活中应该是有着广泛的应用了吧，从一个位置到另一个位置，借助已有的路网，计算最短的路径。当然，还会因为路况、临时障碍，以及用户的个人偏好而产生不同结果。

对于“图”上，基本要素就是：

节点
边：根据场景的不同，还会有方向、权重属性

Dijkstra 算法

Dijkstra 算法是用于计算最短路径的比较著名的一种算法，早在1956年就发表了。

Dijkstra 算法如果看算法的详细执行过程，有点复杂，但是其基本思路在做过之后会发现，貌似很简单。

已确定 A 到 B 的最短路径，B 与 C 相连，且 A 到 B 的距离加上 B 到 C 的距离，小于当前 A 到 C 的距离，那么 A 到 B 再到 C 就是 A 到 C 的最短路径。

如上图所示，最初从 A 来看，到 C 的最短路径是 A -> C，距离是 4。但继续探索到 B 后，发现 A -> B 加上 B -> C 距离只有 3，比 A -> C 的距离要小，所以 A 到 C 的最短路径更新为：A -> B -> C。

算法实现

基本思路上面都介绍了，细节就是每次探索节点时，都选择当前未探索过的到源点距离最短的节点，这样可以源点到当前点的路径已经是最短路径。

算法可视化

图的可视化比较复杂了，只是绘制出来其实不难，但要将节点、边进行合理布局就比较麻烦，是另一个话题了。

我选择用 vis.js 提供的 Network 来绘制图形，然后通过逐步执行算法来更新图形。

这是初始状态：

执行过程中，会记录节点是否被访问，以及当前的最短路径和对应的距离：

全部执行完成后，就得到了源点开始到图中所有节点的最短路径：

项目地址：luobotang/graph DEMO：Dijkstra 算法 - luobotang

项目的 Github Pages 配置有点问题，只能下载到本地之后再打开页面了。

结语

其实上面这些实现起来并没有特别困难，有很多现成的资料和代码可以利用。但是不管什么饭，都得自己吃过、消化过才是自己的。所以，我把自己吸收的“营养”记录下来，如果你也有兴趣，不妨自己上手一试。

最后，感谢阅读！