有效避免有向图中的循环

Question

我正在尝试实现一种称为“快速探索随机信念树”的算法。该算法的目的是为机器人提供一条路径，该机器人不是以最小距离度量或类似的方式连接起点和目标，而是将机器人驱动到可以获得高精度测量的区域，然后才移动到目标。

在算法的实现中，我首先通过给定空间的随机采样来构建图形。每次采样新点时，都会向图表添加新边。最初，机器人位置的误差会很高，因为它不会得到很好的测量值，但是一旦我正在探索的树到达“好”区域，机器人的错误就会突然下降，并且有了这个知识。在“好”区域的位置，我向后遍历图形，修剪先前连接的边缘并将这些顶点连接到良好区域。给定足够的样本，在最佳情况下，图形将从良好区域向外传播，因此连接任何两个顶点将保证您将通过这些点。

这是我遇到问题的地方。一旦我开始遍历修剪并更新我的边缘，算法就不应该修剪将好区域连接到起始点的边缘，这将导致无限循环。这张图中显示了一个例子：

1. 该算法找到顶点1,2,3和4.连接是1 - > 2,2 - ＆gt; 3,2-＆gt; 4.

2. 现在我们找到＃5，这是机器人的“好”区域。访问此顶点将在未来神奇地提高其准确性。我从5找到相邻的顶点：我找到了＃3。我将＃3的父级更新为＃5而不是＃2。现在如果＃3周围有更多的顶点，我也会遍历它们，并将它们的父母更新为＃3等，从而创建从＃5到所有这些的路径。 （有关更多信息，遍历基本上计算机器人的协方差，如果它从＃5移动到＃3，是否比从＃2移动到＃3更合适）。

3. 但在任何情况下我都不应该将＃2的父级更新为＃3：因为机器人首先进入＃5的唯一方法是通过＃2。

为了避免这种情况，我做的一个简单（但非常低效？）的事情是计算从我开始遍历的顶点的最短路径，如果我在遍历期间遇到的任何顶点是这条路径的一部分，我不要更新其父级。这样做效果相当好，代价是计算成本很高，因为每次我必须通过更新向后遍历时我都需要这样做，所以我想知道是否有更好，更有效的方法。