距离度量的知情度
Informedness of distance metrics
您如何考虑曼哈顿距离和切比雪夫距离，在搜索从 a 到 b 的网格中的最短路径时，哪个更明智和更可接受，其中只允许水平和垂直移动？
曼哈顿距离是两个独立轴上距离的总和，Manhattan = |x_a - x_b| + |y_a - y_b|，而切比雪夫距离只是这两个轴中的最大值：Chebyshev = max(|x_a - x_b|, |y_a - y_b|)。因此，曼哈顿距离总是至少与切比雪夫距离一样大，通常更大。
在不允许在网格上进行对角线移动的情况下，两个距离都是可以接受的（它们都不会高估真实距离）。
鉴于两个距离度量始终等于或小于真实距离，并且曼哈顿距离始终等于或大于切比雪夫距离，曼哈顿距离将始终至少为 ''close to the truth''。换句话说，在这种特定情况下，曼哈顿距离会提供更多信息。
请注意，如果允许对角线移动，或者如果您不是在谈论网格，那么情况可能会有所不同。
您如何考虑曼哈顿距离和切比雪夫距离，在搜索从 a 到 b 的网格中的最短路径时，哪个更明智和更可接受，其中只允许水平和垂直移动？
曼哈顿距离是两个独立轴上距离的总和，Manhattan = |x_a - x_b| + |y_a - y_b|，而切比雪夫距离只是这两个轴中的最大值：Chebyshev = max(|x_a - x_b|, |y_a - y_b|)。因此，曼哈顿距离总是至少与切比雪夫距离一样大，通常更大。
在不允许在网格上进行对角线移动的情况下，两个距离都是可以接受的（它们都不会高估真实距离）。
鉴于两个距离度量始终等于或小于真实距离，并且曼哈顿距离始终等于或大于切比雪夫距离，曼哈顿距离将始终至少为 ''close to the truth''。换句话说，在这种特定情况下，曼哈顿距离会提供更多信息。
请注意，如果允许对角线移动，或者如果您不是在谈论网格，那么情况可能会有所不同。