Манхэттенское расстояние

Манхэттенское расстояние — это способ измерения пути между двумя точками, при котором движение разрешено только вдоль горизонтальных и вертикальных осей, как если бы вы шли по улицам города с прямоугольной планировкой. В отличие от прямой линии, здесь суммируются абсолютные разности координат: для точек (x1, y1) и (x2, y2) оно равно |x1-x2| + |y1-y2|. В искусственном интеллекте эта метрика важна, потому что многие реальные задачи — от навигации роботов до обработки изображений — устроены именно как перемещение по сетке, а не по воздуху. Алгоритмы маршрутизации и поиска пути часто используют манхэттенское расстояние как эвристику, чтобы быстро оценивать, насколько близко решение, не тратя лишние вычисления. Интуитивно это легко представить: если вы находитесь на перекрёстке и вам нужно попасть в квартал через три улицы вверх и четыре квартала вправо, то не важно, пойдёте ли вы сначала вверх, потом вправо, или сделаете зигзаг — общий путь всё равно составит семь кварталов. Ключевой момент: это расстояние всегда больше или равно евклидову (прямому), потому что диагональ недоступна. Прикладной пример — курьерский дрон или робот-доставщик в кварталах с ортогональными улицами. При планировании пути ему нужно оценить стоимость доставки: если склад находится в точке, где до клиента 500 метров на восток и 300 на север, манхэттенское расстояние составит 800 метров, хотя по прямой было бы около 583. Используя эту метрику, система ИИ может перебирать возможные маршруты и выбирать оптимальный с учётом препятствий, а заодно предсказывать время в пути. В итоге манхэттенское расстояние — это простой и наглядный инструмент, который помогает алгоритмам работать с реальными ограничениями пространства, особенно там, где перемещение подчиняется сетке. Оно не заменяет другие метрики, но в задачах, где «нельзя летать по прямой», даёт точную и вычислительно дешёвую оценку, что делает его незаменимым в робототехнике и геоинформационных системах.