add template example BFS search function

_posts/2024-08-26-density-algrithm-knn.md

@@ -32,7 +32,9 @@ Kdtree 算法的构建时间复杂度为 O(nlogn)，搜索时间复杂度最好
 
 由于使用点云处理库`PCL`比较庞大，以及其依的`FLANN`基于`C++14`，使用`C++17/20`导致在自定义点云数据结构时，编译有些`STL`算法库被废弃，编译出错。故使用 [nanoflann](https://github.com/jlblancoc/nanoflann)。
 
-### 1.1 自定义点云数据结构
+## 2. 基于 nano-flann 的聚类算法实现
+
+### 2.1 自定义点云数据结构
 
 ```c++
 #pragma once
@@ -74,7 +76,7 @@ struct PointCloud {
 };
 ```
 
-### 1.2 基于 K-D 树构建广度优先搜索算法
+### 2.2 基于 K-D 树构建广度优先搜索算法
 
 ```c++
 #pragma once
@@ -180,7 +182,7 @@ class BFSDensitySampleSearch {
 }  // namespace rias::alg
 ```
 
-### 1.3 测试代码
+### 2.3 测试代码
 
 ```c++
 {
@@ -201,7 +203,7 @@ class BFSDensitySampleSearch {
   }
 ```
 
-### 1.4 测试
+### 2.4 测试
 
 ```bash
 [2024-08-26 21:47:35.648] [warning] [dataxy_loader.cc:146] under flow 870 samples in dataset
@@ -212,14 +214,71 @@ class BFSDensitySampleSearch {
 
 TODO: 测试小数据集下的性能对比。
 
-### 1.5 参考
+### 2.5 参考
 
 - [nanoflann](https://github.com/jlblancoc/nanoflann)
 - [空间数据结构(四叉树/八叉树/BVH树/BSP树/k-d树)](https://www.cnblogs.com/KillerAery/p/10878367.html)
 - [数据结构-k-d树](https://yanglei253.github.io/2020/07/11/dataStructure/dataStructure-kdtree/)
 - [nanoflann库使用笔记](https://zxl19.github.io/nanoflann-note/)
 
-## 聚类算法资料收集
+## 3. 基于templated的聚类算法实现(线性搜索 O2时间复杂度)
+
+```c++
+template <typename ElemType, typename LinerFuncType, typename AdjFuncType>
+class BFSLinerMerge {
+ public:
+  BFSLinerMerge(const std::vector<ElemType>& blocks, LinerFuncType linerCondFunc, AdjFuncType adjCondFunc)
+      : blocks_(blocks), liner_cond_func_(linerCondFunc), adj_cond_func_(adjCondFunc) {};
+
+  BFSLinerMerge& search() {
+    if (!clusters_.empty()) clusters_.clear();
+    std::vector<bool> visited(blocks_.size(), false);
+    clusters_.reserve(blocks_.size());
+
+    for (size_t i = 0; i < blocks_.size(); i++) {
+      if (visited[i]) continue;
+
+      std::queue<size_t> q;
+      q.push(i);
+      visited[i] = true;
+
+      std::vector<Block*> cluster;
+      while (!q.empty()) {
+        size_t idx = q.front();
+        q.pop();
+
+        const auto this_blk = blocks_[idx];
+        cluster.push_back(blocks_[idx]);
+
+        for (size_t j = 0; j < blocks_.size(); j++) {
+          if (visited[j]) continue;
+
+          const auto& blkj = blocks_[j];
+          if (liner_cond_func_(this_blk, blkj) && adj_cond_func_(this_blk, blkj)) {
+            q.push(j);
+            visited[j] = true;
+          }
+        }
+      }
+
+      clusters_.push_back(cluster);
+    };
+
+    return *this;
+  }
+
+  std::vector<std::vector<ElemType>>& clusters() { return clusters_; }
+
+ private:
+  const std::vector<ElemType>& blocks_;
+  LinerFuncType liner_cond_func_;
+  AdjFuncType adj_cond_func_;
+
+  std::vector<std::vector<ElemType>> clusters_;
+};
+```
+
+## 4. 聚类算法资料收集
 
 - [几种常用的基于密度的聚类算法](https://www.cnblogs.com/alterwl/p/density-based-clustering.html)
 - [DBSCAN密度聚类算法](https://www.cnblogs.com/pinard/p/6208966.html)