说我有一个＆＃34;半＆＃34;有向的，加权的，图形（一些边缘是无向的，一些是有向的）。
考虑两个节点A和B.考虑从节点A到节点B的所有路径的集合。
我基本上想要所有这些路径的X个样本。我不希望这些样品过于接近＆＃34;走向理想的道路。从本质上讲，我希望它们在解决方案的空间上相对分散。我想要包含循环路径，我知道它使可能路径的集合无限。因此，我希望路径相对接近理想路径，但仍然不太接近。这显然是对问题的这个方面非常模糊，非严格的描述，这就是为什么如果可能的话，我希望能够指定一些参数来控制我的样本的接近程度。
这些是我到目前为止所考虑的解决方案：
1）使用某种算法给我X最短路径。问题是样本与理想路径太相似了。
2）执行以下操作：
a) Run A*/Dijikstra's to find the ideal path.
b) Remove X% of the edges that form the ideal path.
c) Run A*/Dijistra's again to find the second sample. The fact that a portion of the edges have been removed from the ideal path, should mean that this second sample should be quite different.
d) Remove X% of the edges that form the second sample.
e) Repeat.
问题在于我担心对于大量样本（10000+），会删除大量边缘，使得稍后拍摄的样本与之相比非常非常不同理想的道路。
有没有人对如何更好地解决问题有任何想法？
图表非常大（100000多个节点和边缘）。算法的速度和性能非常重要，但如果有必要，我可以事先进行大量的预处理。
为什么我需要这样做：基本上，在我们的＆＃34;实际图表＆＃34;中，每个边包含两个权重。我们希望找到最大化第二权重的路径，同时受限于第一权重方面的路径长度不违反约束（即路径长度不超过理想路径的20％）就第一重量而言）。在合理的时间内无法启发式地解决是不可能的，因此我们基本上对大量随机路径进行采样，消除那些违反约束并根据第二权重选择最佳样本的路径。我们花了很多时间来解决这个问题，这是唯一能让我们接近合理计算时间的解决方案