最近看了一些和圖形、演算法視覺化相關的文章和程式碼，挺有意思，於是自己也學著做了些東西。
迷宮生成演算法
迷宮小時候玩過，但從來沒琢磨過迷宮是怎麼設計的，以為就是有人慢慢畫出來的。看過網上這篇文章後，才知道，原來還可以隨機生成：
Maze Generation - Visualizing Algorithms
自己找了些資料參考，試著實現了幾種之後，才慢慢領會到其中的一些原理。
演算法中討論的迷宮滿足一個條件：迷宮中任意兩點間有且只有一條路徑。
要隨機生成滿足這樣條件的迷宮，看起來很複雜啊。但是換個思路之後，就發現問題沒那麼複雜了。
“樹”其實就滿足這個條件：
- 所有的枝葉都可以通過樹枝、樹幹連通
- 由於枝幹不交叉，沒有環，所以枝葉間連通的路徑是唯一的
所以，生成隨機的迷宮的問題，就轉化為生成隨機的樹的過程。進一步，可以拆分為以下過程：
- 在迷宮網格內隨機選擇一個點作為“樹根”
- 從樹根開始，向隨機選擇的某一方向開始生長
- 直到樹的枝幹通過不斷生長、分叉充滿迷宮的所有網格
迷宮生成的不同演算法，區別主要在兩點：
- 從一個位置開始生成後一直向隨機方向延伸的最大長度：有的是延伸一個網格後立即更換生長點，有的則是直到無法繼續延伸後才更換生長點
- 更換生長點時選擇位置的方式：有的是記錄當前枝幹經過的網格，依次後退，有的乾脆是完全隨機選擇一個有可能向外生長的點
深度優先演算法
深度優先演算法，也叫遞迴回溯演算法。它會一直向隨機方向生長，直到無法生成的位置，向後回退一格，繼續生長，直到所有網格被填充。
深度優先演算法生成的迷宮，會有比較明顯的長路徑，這是因為樹在一開始生成的時候，空間比較充裕，會有一些長的枝條產生。
Prim 演算法
Prim 演算法不會一直沿著一條路徑進行探索，而是不斷嘗試隨機的生長點。所以 Prim 演算法生成的迷宮，分叉會比較多：
演算法實現
綜合以上兩種演算法，我既不希望有過長的路徑，也不希望有太多的分叉，所以我採用的思路的嘗試沿著一條路徑延伸最多一定的長度，然後再隨機選擇生長點執行相同的過程。
下圖是在 40*40 的迷宮網格，每條枝幹最多生長15個網格的效果：
這是執行了一段時間之後，迷宮大部分割槽域已經走過：
這是最後的效果：
專案地址：luobotang/maze 線上DEMO：迷宮生成演算法 - luobotang
演算法視覺化
上面例子中的迷宮生成演算法過程，迷宮網格是通過 HTML 的
實現，相鄰網格的連通效果，則是藉助 CSS 的邊框樣式。整個迷宮的所有網格由二維陣列表示，每個網格的狀態包含是否被訪問、與相鄰網格的連通情況等。
演算法的執行過程由定時器驅動，每次執行一步，從而有動畫的效果。
最短路徑演算法
與圖相關的最短路徑演算法，在生活中應該是有著廣泛的應用了吧，從一個位置到另一個位置，藉助已有的路網，計算最短的路徑。當然，還會因為路況、臨時障礙，以及使用者的個人偏好而產生不同結果。
對於“圖”上，基本要素就是：
- 節點
- 邊：根據場景的不同，還會有方向、權重屬性
Dijkstra 演算法
Dijkstra 演算法是用於計算最短路徑的比較著名的一種演算法，早在1956年就發表了。
Dijkstra 演算法如果看演算法的詳細執行過程，有點複雜，但是其基本思路在做過之後會發現，貌似很簡單。
已確定 A 到 B 的最短路徑，B 與 C 相連，且 A 到 B 的距離加上 B 到 C 的距離，小於當前 A 到 C 的距離，那麼 A 到 B 再到 C 就是 A 到 C 的最短路徑。
如上圖所示，最初從 A 來看，到 C 的最短路徑是 A -> C，距離是 4。但繼續探索到 B 後，發現 A -> B 加上 B -> C 距離只有 3，比 A -> C 的距離要小，所以 A 到 C 的最短路徑更新為：A -> B -> C。
演算法實現
基本思路上面都介紹了，細節就是每次探索節點時，都選擇當前未探索過的到源點距離最短的節點，這樣可以源點到當前點的路徑已經是最短路徑。
演算法視覺化
圖的視覺化比較複雜了，只是繪製出來其實不難，但要將節點、邊進行合理佈局就比較麻煩，是另一個話題了。
我選擇用 vis.js 提供的 Network 來繪製圖形，然後通過逐步執行演算法來更新圖形。
這是初始狀態：
執行過程中，會記錄節點是否被訪問，以及當前的最短路徑和對應的距離：
全部執行完成後，就得到了源點開始到圖中所有節點的最短路徑：
專案地址：luobotang/graph DEMO：Dijkstra 演算法 - luobotang
專案的 Github Pages 配置有點問題，只能下載到本地之後再開啟頁面了。
結語
其實上面這些實現起來並沒有特別困難，有很多現成的資料和程式碼可以利用。但是不管什麼飯，都得自己吃過、消化過才是自己的。所以，我把自己吸收的“營養”記錄下來，如果你也有興趣，不妨自己上手一試。
最後，感謝閱讀！