Waarom is dit belangrijk?
Onderzoekers kunnen hiermee vooraf kiezen welke rekenmethode blijft meegroeien met grote hoeveelheden gegevens en welke vroeg vastloopt. In de wetenschap laat analyse van algoritmen zien of het trainen van een groot model haalbaar blijft wanneer de gegevensverzameling groter wordt. Studenten en ontwikkelaars vergelijken zo verschillende methoden voordat ze gaan bouwen, maar de kosten hangen ook af van de beschikbare rekenkracht.
Zo werkt het in de praktijk
In autonavigatie en logistiek leggen contraction hierarchies snelkoppelingen in het wegennet, omdat het algoritme van Dijkstra daar niet praktisch is. OSPF en IS-IS sturen computernetwerkverkeer met een kortste-padmethode. Dijkstra testte die routevraag bij het Mathematisch Centrum in Amsterdam op Nederlandse steden.
De Universiteit Leiden vraagt in het vak Complexiteit of een algoritme efficiënt is en of het sneller kan. De beste knoopvolgorde bij contraction hierarchies is NP-compleet. Een exacte keuze wordt dan te zwaar, dus gebruiken ontwerpers een benadering.
In kunstmatige intelligentie geldt het algoritme van Dijkstra als uniform-cost search (zoeken naar de laagste totale kost). Dat valt onder best-first search, dus de beste kandidaat tot nu toe. Een Fibonacci-heap, een snelle wachtrij, verlaagt volgens Fredman en Tarjan de rekentijd.




