通过仿真模拟老鼠觅食的行为，先用极限逼近的思想寻找老鼠在3 × 3的格子中找到食物的期望时间，从枚举法开始寻找老鼠在3 × 3的格子中找到食物的最短路径，再使用极限逼近方法寻找最短路径，随后将此情景进行推广，例如n × n的格子或者更复杂的情况，说明该方法可以适用于任意一个网络找任意节点间最短路，举出一个在实际生活的例子中，应用极限逼近的方法找到其所需的最短路径。得出当一个问题的实质是最短路时，都可以使用极限逼近的思想。 By simulating mice’s foraging behavior, the idea of limit approximation can be used to work out the expected time for mice finding food in a 3 × 3 grid. The author firstly employs enumeration method to look for the shortest path for mice’s foraging in 3 × 3 grids, and then uses the limit approximation method to find the shortest path. Subsequently, the author extends this scenario, for example, trying to find the shortest path in an n × n grid or more complex cases. It is shown that this method can be applied to any grids to find out the shortest path between any nodes. An example is given in real life where the method of limit approximation is used to find the shortest path required. When the essence of a problem is to find out the optimal path, the idea of limit approximation can be always employed.
通过仿真模拟老鼠觅食的行为，先用极限逼近的思想寻找老鼠在3 × 3的格子中找到食物的期望时间，从枚举法开始寻找老鼠在3 × 3的格子中找到食物的最短路径，再使用极限逼近方法寻找最短路径，随后将此情景进行推广，例如n × n的格子或者更复杂的情况，说明该方法可以适用于任意一个网络找任意节点间最短路，举出一个在实际生活的例子中，应用极限逼近的方法找到其所需的最短路径。得出当一个问题的实质是最短路时，都可以使用极限逼近的思想。
仿真，最优路径，极限逼近
Yulong Chen
School of Science, Shanghai Maritime University, Shanghai
Received: Mar. 17th, 2023; accepted: Apr. 21st, 2023; published: Apr. 28th, 2023
By simulating mice’s foraging behavior, the idea of limit approximation can be used to work out the expected time for mice finding food in a 3 × 3 grid. The author firstly employs enumeration method to look for the shortest path for mice’s foraging in 3 × 3 grids, and then uses the limit approximation method to find the shortest path. Subsequently, the author extends this scenario, for example, trying to find the shortest path in an n × n grid or more complex cases. It is shown that this method can be applied to any grids to find out the shortest path between any nodes. An example is given in real life where the method of limit approximation is used to find the shortest path required. When the essence of a problem is to find out the optimal path, the idea of limit approximation can be always employed.
Keywords:Simulation, Optimal Path, Limit Approximation
Copyright © 2023 by author(s) and beplay安卓登录
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).
http://creativecommons.org/licenses/by/4.0/
最短路问题的研究起源于20世纪50年代末，是图论中一个经典的问题。寻找最短路就是在给定的网络中两节点间寻找到一条距离最短的路。基于研究的问题背景不同，寻找到最短路的意义也不同。如在海运过程中，海运公司就会考虑让船舶航行到终点的距离尽可能的短，以减少运输的成本，而让到终点距离尽可能的短，就是一个寻找最短路的问题。同样的在人们的日常出行中也会多地选择能让人们最快到达的方案。
但需要注意的是，在寻找最短路的过程中，如果是实地进行实验，不仅会花费大量的时间，也会花费大量的金钱，甚至会因为一些外在因素如天气等，从而导致得到的结果出现误差。在此基础上，我们可以运用计算机仿真技术，这样既可以减少研究所用的经费支出，也可以模拟在实际情况下的实验过程。在研究最短路问题 [
本文从简单的3 × 3的格子中老鼠觅食模型出发，运用一种极限逼近的思想，找到老鼠觅食的期望时间，以此思想为基础逐渐地将模型复杂化，最后将这极限逼近的思想用于寻找实际生活中的最短路。
为了让小老鼠在一个3 × 3的格子中成功的从起点(1号)到终点(9号)找到一次食物，我们要研究每一个格子之间的关系，通过每个格子之间的关系确定当小老鼠处于任何一个格子的时候，小老鼠接下来可以往哪里去，但要保证小老鼠不会原地不动。为此，我们可以设一个数列，由于小老鼠的起点和终点是固定的，对应到数列中就是首项和末项是固定的，由于小老鼠在行走时会走到哪一个格子不确定，存在走到重复格子的情况，对应到数列中就是除了首项和末项，中间项的个数是不确定的。
如图1所示：
图1. 老鼠位置初始图
令九个格子分别为：
a 1 , a 2 , a 3 , a a , a 5 , a 6 , a 7 , a 8 , a 9
用一个数列表示一次找到食物路径为：
k = { a 1 , a 2 , a 5 , ⋯ , a 6 , a 9 }
数列的第i个元素代表小老鼠第i步在那个位置。
令9个格子在欧式平面上的坐标为：
( x i , y i ) ( i = 1 , 2 , 3 , ⋯ , 9 ) ( x i , y i ≥ 0 )
每一个格子代表一个欧式平面上的坐标令：
a i = ( x i , y i ) ( i = 1 , 2 , 3 , ⋯ , 9 )
用一个9 × 9矩阵M [
M = ( 0 1 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 0 0 1 0 1 0 1 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 1 0 1 0 )
其中矩阵的元素 M i j 的下标代表：
从 a i ~ a j 的距离
除对角线元素外，其他值为0的元素代表无法直接到达该点。
在 M i j ≠ 0 下各个格子间坐标的关系
a ⌢ = ( x ⌢ , y ⌢ ) = ( ( x i − x j ) , ( y i − y j ) )
在 M i j ≠ 0 并且确保两点之间可以直接到达下我们可以建立一个关于相互之间可以到达格子的递推公式：
a j = a i + a ⌢ ( x j , y j ) = ( x i , y i ) + ( x ⌢ , y ⌢ ) 1 ≤ i , j ≤ 9
例如：令 a 1 的坐标为 ( 1.5 , 7.5 ) ， a 1 可以由 a 2 , a 4 到达，坐标分别为 ( 1.5 , 4.5 ) , ( 4.5 , 7.5 ) 。
则公式可以表示为：
a 1 = { a 2 + a ⌢ a 4 + a ⌢
对于数列第n个元素和第n + 1个元素 k n , k n + 1 有：
k n + 1 = k n + a ⌢
那么由上述分析可知在一次寻找到食物的过程中：
数列可以有n个元素：
k = { a 1 , a 2 , a 5 , ⋯ , a 6 , a 9 }
路径长度为：
n − 1
至此，我们实现了让老鼠成功找到一次食物。
通过前面的分析已经知道在寻找到一次食物中，一个数列里面可以有n个元素，路径长度为n − 1，我们并不能将小老鼠每一次找到食物的路径都找出来，因为小老鼠找食物的路径可以有无穷多种，但为了能将最后的结果与真实的结果比较之后差别不大，我们需要进行足够多次的寻找，例如我们进行m次实验，那么我们可以给出在这m次寻找的过程中小老鼠找到食物的期望时间。
进行m次寻找故有m个数列：
k 1 = { a 1 , a 2 , a 5 , ⋯ , a 6 , a 9 } k 2 = { a 1 , a 2 , a 5 , ⋯ , a 8 , a 9 } ⋮ k m = { a 1 , a 2 , a 3 , ⋯ , a 8 , a 9 }
那么可以通过一个数列里面元素之间的相互关系，得到走一步所需要的长度，相加就可以得到该次找到食物所用路径长度，有m个数列每一个数列都有一个路径长度：
q 1 − 1 , q 2 − 1 , ⋯ , q m − 1 其中分别代表第一次找到食物的路径长度，第二次找到食物的路径长度……
通过上面的分析在m次寻找中的期望时间t为：
t = ∑ i = 1 m ( q i − 1 ) m
为了得到与最精确的结果相差不大的答案，实际上我们需要进行无穷多次寻找食物的过程，但现实生活中这样是做不到的，所以我们对期望时间t求极限，此时期望时间等于：
t = lim m → + ∞ ∑ i = 1 m ( q i − 1 ) m
通过程序进行运算得到了如下的结果，结果如图2所示 [
通过图2可以知道，进行了10,000次的寻找食物的过程，最终在10,000次的查找下得到的期望时间约是18秒，则：
t = ∑ i = 1 10000 ( q i − 1 ) 10000 = 18
每一次实验都可以得到一次找到食物的时间，期望时间又等于目前寻找次数的路径长度之和除以寻找次数，所以也可以得到一个数列，里面的元素是每一次查找的期望时间。
T = { t 1 , t 2 , ⋯ , t m − 1 , t m } t n = ∑ i = 1 n ( q i − 1 ) n
但由图中数据走势可以看出，大概从查找到2000次时开始，期望时间趋于稳定，几乎是一条直线，所以可以得出结论，小老鼠找到一次食物所用的期望时间是18秒，即：
t = lim m → + ∞ ∑ i = 1 m ( q i − 1 ) m = 18
亦可直观看出数列最后收敛于18，即寻找了无穷多次后小老鼠找一次食物所需要的期望时间为18秒。
图2. 期望时间结果图
原则1：在寻找最短路的过程中，最短路径方案所含的节点个数 ≤ 总的节点个数
如图3 [
图3. 例图
寻找A1到A7的最短路径长度以及方案。
首先我们要明确最短路径的方案中每个相邻节点是可以直接到达的且是没有重复节点的，以图3为例子，如果出现了以下情况：
{ A 1 , A 4 , A 5 , A 4 , A 3 , A 6 , A 7 }
重复节点是A4，此情况说明从A4走到A5之后，立刻又从A5返回A4，说明多走了A4到A5的距离，由于每个相邻节点是可以互相直接到达的
所以：
{ A 1 , A 4 , A 3 , A 6 , A 7 }
所以在寻找最短路的过程中，最短路径方案所含的节点个数 ≤ 总的节点个数。
原则2：最短路并不等于选择当前节点到下一个节点的最短距离
如图4：
图4. 例图
寻找A到C的最短路。
由图4知，若每一步选择最短的那么A到B到C距离为2，但是选择A到C距离是1.5。所以最短路并不等于选择当前节点到下一个节点的最短距离。
直接对在3 × 3的格子中对老鼠找到食物的路径方案枚举。
通过枚举法之后得到各个结果是：
{ a 1 , a 2 , a 3 , a 6 , a 5 , a 4 , a 7 , a 8 , a 9 } { a 1 , a 2 , a 3 , a 6 , a 5 , a 8 , a 9 } { a 1 , a 2 , a 3 , a 6 , a 9 } { a 1 , a 2 , a 5 , a 4 , a 7 , a 8 , a 9 }
{ a 1 , a 2 , a 5 , a 6 , a 9 } { a 1 , a 2 , a 5 , a 8 , a 9 } { a 1 , a 4 , a 5 , a 2 , a 3 , a 6 , a 9 } { a 1 , a 4 , a 5 , a 6 , a 9 }
{ a 1 , a 4 , a 5 , a 8 , a 9 } { a 1 , a 4 , a 7 , a 8 , a 5 , a 2 , a 3 , a 6 , a 9 } { a 1 , a 4 , a 7 , a 8 , a 5 , a 6 , a 9 } { a 1 , a 4 , a 7 , a 8 , a 9 }
一共12种方案。
统计每一个方案的路径长度，我们可以得到以下方案的最短路径长度都是最短的：
{ a 1 , a 2 , a 3 , a 6 , a 9 } { a 1 , a 2 , a 5 , a 6 , a 9 } { a 1 , a 2 , a 5 , a 8 , a 9 } { a 1 , a 4 , a 5 , a 6 , a 9 } { a 1 , a 4 , a 5 , a 8 , a 9 } { a 1 , a 4 , a 7 , a 8 , a 9 }
以上6种方案都是最短路径的方案，最短路径长度为4。
由前面矩阵M [
M = ( 0 1 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 0 0 0 1 0 1 0 1 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 1 0 1 0 )
其中矩阵的元素 M i j 的下标代表：
从 a i ~ a j 的距离
以及对于数列第n个元素和第n + 1个元素 k n , k n + 1 的递推公式有：
k n + 1 = k n + a ⌢
通过原则1的限制，我们可以得到一次寻找到食物时的路径方案：
k = { a 1 , a 2 , a 5 , a 6 , a 9 }
其中该路径方案的长度为4。
在原则1的限制下，我们寻找食物m次，我们可以得到m个数列，和这些数列的方案的路径长度：
k 1 , k 2 , ⋯ , k m d 1 , d 2 , ⋯ , d m
在这m个数列中，可以存在路径方案一样的数列。
我们建立一个数列D，里面元素是当前寻找m次下，里面m个路径长度中的最短值：
D = { D 1 , D 2 , ⋯ , D m }
其中第n个元素为：
D n = min ( d 1 , d 2 , ⋯ , d n ) ( 1 ≤ n ≤ m )
则数列里面第n + 1个元素和第n个元素的递推公式是：
D n + 1 = min ( d 1 , d 2 , ⋯ , d n + 1 ) D n = min ( d 1 , d 2 , ⋯ , d n ) D n + 1 = min ( D n , d n + 1 )
即：
D = { min ( d 1 ) , min ( d 1 , d 2 ) , ⋯ , min ( d 1 , d 2 , ⋯ , d m ) }
此时，我们效仿求期望时间的模式，对数列D在趋近于无穷时求极限，则可以得到理论上真实结果的最短路径长度。
d = lim m → + ∞ D
lim m → + ∞ D = lim m → + ∞ { min ( d 1 ) , min ( d 1 , d 2 ) , ⋯ , min ( d 1 , d 2 , ⋯ , d m ) } lim m → + ∞ D = min ( d 1 , d 2 , ⋯ , d m ) d = min ( d 1 , d 2 , ⋯ , d m )
结果由图5 [
图5. 当次查找次数下最短路长度
由图5可以知道，该图意思是一共进行了10次实验，在第2次查找完成时，我们发现真实情况下(枚举出的所有方案)的最短路径长度已经等于我们第2次查找完成时的最短路径长度。
d = lim m → + ∞ D d = min ( d 1 , d 2 , ⋯ , d m ) = 4
通过与前面枚举法寻找老鼠觅食的最短路与图5得到的结果进行对比，可以知道运用极限逼近思想找到的最短路长度，与枚举法寻找的最短路的长度一致。
至此，可以得出结论，运用极限逼近思想找最短路方案的方法是可行的。成功的用极限逼近的思想得到的老鼠觅食的最短路径，其长度为4。
由图6：
图6. 例图
由图6看出中间可以省略无穷多个点，也就是可以组成任意一种情况，但由上面所述，任然可以使用上面解决老鼠觅食最短路的步骤，得到图6中A1到An的最短路长度，即适用于任意网络中任意节点间的最短路问题。
举出下面一个实际问题
一款智能小车，小车只能由指挥中心统一调度，无法自行获得其它信息。已知每辆小车的最大线速度10厘米每秒并且小车在运动过程中严禁碰撞。现有36辆小车在一个边长为2米的正方形区域内排列成指定的图案。如图7所示，初始状态下小车以20厘米的横向及纵向间距均匀分布在正方形左下方的一个等腰直角三角形区域内。每辆小车视为半径1厘米的圆盘。
请设计一种调度方案，使得小车以尽可能短的时间排成如图8所示的图案，并且小车在曲线上的分布尽量均匀。请以1秒为时间步长的快照形式对运动过程进行展示。
图7. 起始图
图8. 目标图
该题需要设计一种调度方案，在短时间内使其从图7变到图8。首先，我们明确每一个小车在从图7到图8的过程中，在某一方案中，该小车有可能停留在原地的情况，若该小车移动，那么该小车的目标点，就不可以有其他小车去。由于小车的速度一样，并且需要考虑小车在运动过程中是否会发生碰撞又要求短时间内，那么这任然是一个求最短路的问题。任然可以使用极限逼近的思想，但这时最短路不在是总路程最短。由于小车一起移动，所以在一个方案中的用时是找某一小车到其目标点最大距离，作为该方案的用时。再将多个方案用时对比，找到用时最短的方案。
首先给36个小车在图7位置编号：
a 1 , a 2 , a 3 , ⋯ , a 35 , a 36
再给36个小车在图8位置编号：
b 1 , b 2 , b 3 , ⋯ , b 35 , b 36
再由题目可知，以编号代表小车在欧式平面上的坐标：
a i = ( x i , y i ) ( i = 1 , 2 , 3 , ⋯ , 36 ) b i = ( x ′ i , y ′ i ) ( i = 1 , 2 , 3 , ⋯ , 36 )
再由一个36 × 36的矩阵M存放从 a i ~ b j 的距离：
M i j = ( x i − x ′ j ) 2 + ( y i − y ′ j ) 2
此时我们寻找再不考虑碰撞下，1号小车从起始点去目标点的方案：
a 1 ~ b j ( 1 ≤ j ≤ 36 )
我们可以知道由36种可能，那么对于1整个方案来说有:
n + ( n − 1 ) + ⋯ + 3 + 2 + 1 = ( n + 1 ) n 2 36 + 35 + ⋯ + 3 + 2 + 1 = ( 36 + 1 ) 36 2 = 666
一共有666种可能，由此我们可以知道，如果使用枚举法是十分麻烦的，尽管理论上可行，但会花费许多时间，故我们使用求期望时间的思路。
构造一个函数：
y = f n ( x )
其中定义域为：
x ∈ ( a 1 , a 2 , ⋯ , a 36 )
值域为：
y ∈ ( b 1 , b 2 , ⋯ , b 36 )
易知该函数中是单射且满射，但是x映射到y中哪一个元素不确定，所以我们可以有多个函数。
例如函数 y = f 1 ( x ) 将定义域中元素代入得：
b 2 = f 1 ( a 1 ) , b 7 = f 1 ( a 2 ) , b 4 = f 1 ( a 3 ) , ⋯ , b 11 = f 1 ( a 36 )
通过该函数我们就可以得到一个调度方案，即起始点编号为1的点去目标点编号为2的点，起始点编号为2的点去目标点编号为7的点……
得到了某一个方案之后我们需要考虑，这个方案中是否会出现小车相互碰撞的情况所以需要进一步讨论。
计算该方案中每一个起始点到相应目标点之间的直线斜率k，以及该直线方程：
k = y i − y ′ i x i − x ′ i y = k x + c 其 中 y 1 = k 1 x 1 + c c 是 截 距 x 1 是 方 案 中 第 一 个 起 始 点 y 1 是 方 案 中 对 应 的 目 标 点
当然存在，有的方案中起始点与目标点一样，或者起始点只用竖直移动就可以到达目标点的特殊情况：
k 不 存 在 起 始 点 与 目 标 点 一 致
先讨论起始点和对应目标点的位置关系：
起 始 点 a i = ( x i , y i ) ( i = 1 , 2 , 3 , ⋯ , 36 ) 目 标 点 b i = ( x ′ i , y ′ i ) ( i = 1 , 2 , 3 , ⋯ , 36 )
当斜率k存在且不为0：
当 x i > x ′ i , y i > y ′ i v x = − v 2 1 + k 2 , v y = − v 2 − v x 2 当 x i < x ′ i , y i < y ′ i v x = v 2 1 + k 2 , v y = v 2 − v x 2
当 x i > x ′ i , y i < y ′ i v x = − v 2 1 + k 2 , v y = v 2 − v x 2 当 x i < x ′ i , y i > y ′ i v x = v 2 1 + k 2 , v y = − v 2 − v x 2
当斜率k = 0：
当 x i > x ′ i , y i = y ′ i v x = − v , v y = 0 当 x i < x ′ i , y i = y ′ i v x = v , v y = 0
当斜率k不存在：
当 x i = x ′ i , y i > y ′ i v x = 0 , v y = − v 当 x i = x ′ i , y i < y ′ i v x = 0 , v y = v
当起始点和目标点从开始就一致：
当 x i = x ′ i , y i = y ′ i v x = 0 , v y = 0
此时建立任意两小车关于时间t的距离函数m(t)：
t 时 刻 小 车 坐 标 ( x i t , y i t ) x i t = v i x t + x i , y i t = v i y t + y i 另 任 意 一 小 车 t 时 刻 坐 标 ( x j t , y j t ) x j t = v j x t + x j , y i t = v j y t + y j
求 两 小 车 在 t 时 刻 时 之 间 的 距 离 m ( t ) = ( x i t − x j t ) 2 + ( y i t − y j t ) 2 ( 1 ≤ i < j ≤ 36 ) ( m ( t ) ) 2 = ( x i t − x j t ) 2 + ( y i t − y j t ) 2
代 入 x i t = v i x t + x i , y i t = v i y t + y i , x j t = v j x t + x j , y i t = v j y t + y j
( m ( t ) ) 2 = [ ( v i x − v j x ) 2 + ( v i y − v j y ) 2 ] t 2 + 2 [ ( v i x − v j x ) ( x i − x j ) + ( v i y − v j y ) ( y i − y j ) ] t + [ ( x i − x j ) 2 + ( y i − y j ) 2 ]
由于小车在一个边长为2米的正方形区域内，则：
区 域 最 长 长 度 q 2 m = 200 cm q = 200 2 + 200 2 则 最 长 时 间 p p = q 10 故 时 间 t ∈ [ 0 , p ]
则我们可以从m(t)看出，距离函数的平方是一个关于时间t的一元二次函数。
为了保证小车在运行的时候不撞车，则：
小 车 半 径 r = 2 ( m ( t ) ) 2 > r 2 , 小 车 不 碰 撞 ( m ( t ) ) 2 ≥ r 2 , 小 车 碰 撞
由距离函数，可以得到36辆小车之间是否碰撞，可以得到符合题目要求的小车的调度方案。
由于小车都是同一时间移动，所以该方案最终耗时是：
t 1 = max ( M 1 j , M 2 j , ⋯ , M 36 j ) v , b j = f 1 ( a i ) , j 是 b j 下 标 M i j = ( x i − x ′ j ) 2 + ( y i − y ′ j ) 2 v = 10 cm / s
同理，我们可以得到类似这样的函数：
y = f 2 ( x ) , y = f 3 ( x ) , ⋯ , y = f n ( x )
也可以得到这些方案的最终耗时：
t n = max ( M 1 j , M 2 j , ⋯ , M 36 j ) v , b j = f 1 ( a i ) , j 是 b j 下 标 M i j = ( x i − x ′ j ) 2 + ( y i − y ′ j ) 2 v = 10 cm / s
为了在尽可能短的时间里面从图7到图8，所以在不考虑碰撞的情况下在n个方案中用时最短的是：
min t = min ( t 1 , t 2 , ⋯ , t n ) t n = max ( M 1 j , M 2 j , ⋯ , M 36 j ) v b j = f 1 ( a i ) , j 是 b j 下 标 M i j = ( x i − x ′ j ) 2 + ( y i − y ′ j ) 2 v = 10 cm / s
这样我们就可以得到一个关于时间T的数列
T = { min ( t 1 ) , min ( t 1 , t 2 ) , ⋯ , min ( t 1 , t 2 , ⋯ , t n ) }
对这个数列求趋近于正无穷的极限：
t = lim n → + ∞ T lim n → + ∞ T = lim n → + ∞ { min ( t 1 ) , min ( t 1 , t 2 ) , ⋯ , min ( t 1 , t 2 , ⋯ , t n ) } lim n → + ∞ T = min ( t 1 , t 2 , ⋯ , t m ) t = min ( t 1 , t 2 , ⋯ , t m )
这样，就得到了理论上在考虑碰撞条件下，小车的调度方案用时最短的方案。
最初的情况如图9 [
图9. 对比图
图10 [
图10. 结果图
图11 [
图11. 考虑碰撞最短用时结果图
其中一个调度方案是：
[6, 25, 32, 36, 13, 20, 2, 16, 35, 8, 17, 21, 9, 4, 26, 27, 18, 12, 34, 28, 24, 22, 14, 15, 1, 19, 7, 29, 5, 11, 31, 3, 23, 10, 33, 30]
从上到下，从左到右，元素依次代表小车在起始点编号为1的去目标点编号为6的位置，依次类推。
需要注意的是，是先得出了一些方案(在不考虑碰撞的情况下得到的)再对这些得到的方案里面进行是否会碰撞分析。
如图12 [
图12. 不考虑碰撞最短用时结果图
通过图12我们可以知道，在不考虑碰撞的情况下，我们进行了500次查找36小车从图7到图8用时最快的调度方案。
由图11可知，我们在第232次查找中，得到了用时最快的调度方案的时间
那么可得，理论上查找次数趋近于无穷时调度方案用时最短时间是：
t = lim n → + ∞ T lim n → + ∞ T = lim n → + ∞ { min ( t 1 ) , ⋯ , min ( t 1 , t 2 , ⋯ , t n ) } lim n → + ∞ T = min ( t 1 , t 2 , ⋯ , t m ) t = min ( t 1 , t 2 , ⋯ , t m ) = 16.4924
对比图11可知最初进行了500次实验，在这500次实验得到的方案基础上，判断是否会撞车，由图11可知，有40多次方案是不会碰撞的，而其中用时最短的是17.02 s。但并不能列出所有的方案，这个值是否是最终用时最短的值，我们并不能确定。只能知道在试验次数趋于无穷时，可以得到真正的最短时间。
只能根据得出的结果，理论推导：
t = lim n → + ∞ T lim n → + ∞ T = lim n → + ∞ { min ( t 1 ) , ⋯ , min ( t 1 , t 2 , ⋯ , t n ) } lim n → + ∞ T = min ( t 1 , t 2 , ⋯ , t m ) t = min ( t 1 , t 2 , ⋯ , t m ) = 17.02
从寻找老鼠找到食物的期望时间出发，考虑到老鼠觅食中有可能出现一直找不到的情况，为了找到确切的期望时间，通过极限逼近的思想寻找老鼠找到食物的期望时间，再通过此思想寻找老鼠找到食物的最短路，最后将此思想应用于实际生活中，得到了以下结论：
1) 面对出现在极端情况下有可能不知道老鼠觅食所需具体时间，极限逼近的思想可以解决这一问题。
2) 在3 × 3的格子中用极限逼近的思想寻找老鼠觅食最短路与枚举法得到的结果一致，说明极限逼近这一方法可以应用于寻找最短路中。
3) 可以将极限逼近思想找最短路的方法运动到任意一个网格中，寻找任意两个节点之间的最短路。
4) 枚举法面对复杂情况时不是很合适，如经典的八皇后问题，如果使用枚举法，即使理论上能找到，也会花费大量时间。
5) 极限逼近这一方法可以应用于生活中，当面对一些人们指定最短出行路线、工厂如何让机器在最短时间上下物料、地铁乘务排班计划 [
6) 使用极限逼近思想得出的结果在实验次数较少时，得到的可能不是最优解，即使实验次数足够多，也可能会出现不是最优解的情况，对该方法得到的结果是否是最优解缺乏理论证明是本文的不足。
陈昱龙. 几类路径问题算法探索Exploration of Algorithms for Several Path Problems[J]. 运筹与模糊学, 2023, 13(02): 1411-1426. https://doi.org/10.12677/ORF.2023.132143