pgRouting 3.8.0版本发布:图数据库路由分析工具的重大更新
pgRouting是一个基于PostgreSQL/PostGIS的开源扩展,专门用于在数据库中执行复杂的网络路由分析。它为空间数据库提供了强大的路径规划功能,支持最短路径、旅行商问题、车辆路径规划等多种算法,广泛应用于物流配送、交通规划、网络分析等领域。
官方函数升级
在3.8.0版本中,pgRouting团队将多个实验性函数升级为官方正式函数,标志着这些功能的稳定性和成熟度得到了认可。
-
pgr_degree函数:这个函数用于计算图中每个顶点的度数(即连接边的数量),在网络分析中非常有用。新版本调整了错误消息,并增加了仅需边SQL的新签名。
-
pgr_extractVertices函数:从边数据中提取顶点信息的工具函数,同样经过了错误消息的优化调整。
-
pgr_findCloseEdges函数:用于查找靠近指定点的边,移除了"partial"选项,简化了使用方式。
-
pgr_separateCrossing和pgr_separateTouching函数:这两个空间处理函数也从实验状态升级为官方函数,用于处理边交叉和接触的情况。
新增实验性功能
3.8.0版本引入了几个值得关注的新功能,虽然目前标记为实验性,但展示了pgRouting的发展方向:
-
收缩算法增强:
- pgr_contractionDeadEnd:专门处理死胡同的收缩算法
- pgr_contractionLinear:针对线性结构的收缩算法
- pgr_contractionHierarchies:支持层次化收缩,这是路径优化的重要技术
-
空间处理工具:
- pgr_separateCrossing和pgr_separateTouching:虽然已升级为官方函数,但作为新功能,它们提供了处理复杂空间关系的能力
函数签名变更与优化
pgr_contraction函数进行了重大调整:
- 原先必须的"收缩顺序"参数现在变为可选参数,并更名为"methods"
- 优化了可选参数的名称和顺序
- 旧签名pgr_contraction(text,bigint[],integer,bigint[],boolean)被标记为弃用
底层代码改进
开发团队对核心代码进行了多项优化:
- 重新组织了pgr_contraction的代码结构,提高了可维护性
- 重写了pgr_nodeNetwork的SQL实现,提升了性能
函数弃用计划
随着项目发展,一些旧函数将被逐步淘汰:
- 空间分析相关:pgr_AlphaShape
- 拓扑处理相关:pgr_CreateTopology、pgr_analyzeGraph、pgr_analyzeOneWay
- 顶点处理相关:pgr_createVerticesTable
- 网络节点处理:pgr_nodeNetwork
对于这些被弃用的函数,文档中已经添加了迁移指南,帮助用户过渡到新的替代方案。
技术价值与应用前景
pgRouting 3.8.0的发布体现了几个重要技术方向:
- 功能成熟化:将经过验证的实验功能升级为官方功能,提高了生产环境的可靠性
- 算法多样化:新增的收缩算法为不同网络结构提供了专门优化
- 空间处理增强:分离交叉和接触边的功能强化了复杂空间网络的处理能力
- API规范化:函数签名的调整使接口更加一致和易用
这些改进使得pgRouting在物流规划、交通网络分析、基础设施管理等领域的应用将更加高效和可靠。特别是新增的层次化收缩算法,为大规模网络的高性能路径查询提供了新的可能性。
对于现有用户,建议关注弃用函数的迁移指南;对于新用户,可以直接使用更加规范和优化的新API。随着空间网络分析需求的增长,pgRouting这类专业工具的持续进化将为地理空间分析领域带来更多价值。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00