☆ Salvar Distância de Manhattan vs Distância Euclidiana — Critérios de medição de distância que mudam conforme as restrições de movimento

12/23/2025

Distância de Manhattan vs Distância Euclidiana é uma comparação fundamental entre duas maneiras de medir o quão distantes dois pontos estão, dependendo das regras de movimento permitidas no ambiente. Mesmo para o mesmo par de pontos, a fórmula e a interpretação mudam conforme o movimento esteja restrito a passos em grade, como cima/baixo/esquerda/direita, ou permita deslocamento direto em linha reta.

Em termos simples: se você anda por quarteirões de uma cidade, normalmente precisa virar nas esquinas, então a distância percorrida fica maior. Se você se move como um drone e pode ir direto ao destino, segue o caminho reto mais curto. A distância de Manhattan se aproxima do primeiro caso, enquanto a distância euclidiana corresponde ao segundo.

Mesmo para os mesmos dois pontos, o valor e o significado da distância mudam quando a restrição de movimento muda.

📚 Este artigo faz parte dos seguintes hubs

Estrutura de grafos — Nós, arestas e algoritmos BFS/DFS (Guia completo)Função heurística — Como o A* encontra caminhos ótimos (Guia completo)

Como funciona (princípio e características principais)

• O que cada distância mede

  • A distância de Manhattan soma separadamente as diferenças ao longo de cada eixo de coordenadas. Assim, quanto se desloca no eixo x e quanto se desloca no eixo y aparecem de forma independente no cálculo.
  • A distância euclidiana mede o comprimento direto em linha reta entre dois pontos. É a interpretação que mais se aproxima da ideia usual de menor distância física em um plano.
  • A diferença central está na regra de movimento. Se o deslocamento diagonal não é permitido, a distância de Manhattan faz mais sentido. Se o movimento em qualquer direção é possível, a distância euclidiana costuma ser mais adequada.

• Fórmulas

  • A distância de Manhattan é calculada somando os valores absolutos das diferenças entre coordenadas. Isso a torna especialmente intuitiva em ambientes em grade, nos quais o movimento ocorre passo a passo.
  • A distância euclidiana é calculada a partir do teorema de Pitágoras. Trata-se da expressão matemática clássica para a distância em linha reta.

• \[ d_{\mathrm{Manhattan}} = |x_1-x_2| + |y_1-y_2| \]

  \[ d_{\mathrm{Euclidean}} = \sqrt{(x_1-x_2)^2 + (y_1-y_2)^2} \]

  A distância de Manhattan é a soma do deslocamento ao longo dos eixos, enquanto a distância euclidiana é o comprimento da linha reta que liga os dois pontos.

• Exemplo numérico

  • Suponha que o ponto \(x_1\) seja \((1,2)\) e o ponto \(x_2\) seja \((5,7)\). A diferença no eixo x é 4, e a diferença no eixo y é 5.
  • A distância de Manhattan é \(4+5=9\). Ou seja, se o movimento estiver limitado a passos horizontais e verticais em uma grade, são necessários pelo menos 9 passos.
  • A distância euclidiana é \(\sqrt{4^2+5^2}=\sqrt{41}\approx 6.40\). Se o deslocamento direto em linha reta for permitido, o trajeto fica bem mais curto.
  • Esse exemplo mostra claramente que, mesmo para o mesmo par de pontos, o valor heurístico muda quando o ambiente e a regra de movimento mudam.

• Uso em busca

  • Em algoritmos de busca como o A*, a distância costuma ser usada como heurística para estimar o custo restante até o objetivo. Para que a heurística funcione de forma estável, a medida de distância deve corresponder à regra de movimento do problema.
  • Em um labirinto em grade no qual só são permitidos movimentos para cima/baixo/esquerda/direita, a distância de Manhattan costuma ser a escolha mais adequada, porque representa corretamente a restrição contra movimentos diagonais.
  • Em espaço contínuo, onde um robô pode mudar livremente de direção, ou quando interessa medir a separação reta real em coordenadas de imagem, a distância euclidiana costuma ser mais natural.
  • Se uma noção inadequada de distância for escolhida, o cálculo pode continuar matematicamente válido, mas deixar de refletir a estrutura real do problema e reduzir a eficiência da busca ou a capacidade de interpretação.

Importância e limitações

Essas duas distâncias estão entre as funções de distância mais básicas, mas sua importância vai muito além de fórmulas simples. A distância de Manhattan é intuitiva e computacionalmente eficiente em problemas com restrições explícitas de movimento, como busca em grade, quebra-cabeças e planejamento de trajetórias. Já a distância euclidiana produz valores mais próximos da distância física real em espaços contínuos, o que torna sua interpretação geométrica mais natural. No entanto, a distância de Manhattan pode superestimar a sensação de proximidade em ambientes nos quais é possível se mover diretamente, enquanto a distância euclidiana pode se tornar otimista demais em problemas com restrições direcionais fortes, como navegação em grade. Por isso, a questão principal não é qual distância é “melhor” em termos absolutos, mas qual delas se ajusta melhor à regra de movimento e ao espaço de estados do problema.

Leituras prévias recomendadas (3/5)

+2

• Busca de custo uniforme — Expandir primeiro o caminho de menor custo acumulado
• Pruning — Como reduzir a busca Brute Force sem perder a solução ótima
• Força bruta — por que a busca exaustiva garante a resposta, mas explode em custo

• Busca no espaço de estados — Uma abordagem de resolução de problemas que alcança o objetivo percorrendo estados
• Estratégia de busca — A regra que decide o que expandir primeiro para alcançar o objetivo

Leituras recomendadas a seguir (5/16)

+5

• Heurísticas específicas do domínio — critérios que reduzem drasticamente a busca com conhecimento especializado
• Busca em ambientes complexos — Quando “decidir conforme a situação” importa mais do que um único caminho
• Busca clássica — A busca base que resolve problemas por meio de uma sequência de ações
• Atualização de heurísticas — Ajustar o critério de busca com base na experiência
• Função de avaliação — Função de pontuação que define a prioridade na busca

• Fila de prioridade — Estrutura que remove primeiro o item mais prioritário
• Árvore de jogo — Desdobrar antecipadamente todas as sequências possíveis de jogadas
• Busca online — Achar o caminho em movimento, replanejando sem mapa
• Árvore de busca — uma estrutura que desdobra escolhas passo a passo para encontrar a solução
• Backtracking (Retrocesso) — Uma estratégia de busca que volta atrás quando uma escolha não leva à solução

• Resolução de problemas baseada em busca — o raciocínio básico da IA: seguir estados até encontrar a solução
• Problemas de exploração — Obstáculos ao encontrar caminhos em um ambiente desconhecido
• Busca best-first — Expandir primeiro o nó que parece mais promissor
• Busca AND-OR — Busca por planejamento contingente em ambientes não determinísticos
• Busca local em feixe — Manter em paralelo os k melhores candidatos para ir estreitando o caminho
• Ambientes clássicos vs. ambientes complexos — O limite entre problemas computacionais simples e a tomada de decisão sob incerteza

Artigos sobre o mesmo tema (2/2)

• Trade-off Exploration–Exploitation — O equilíbrio entre ampliar informação e consolidar desempenho
• Programação automática (Automatic Programming) — Uma abordagem para gerar código automaticamente a partir de dados

Conceitos relacionados (3/3)

• Random Restart — Como explorar novamente o espaço de busca para escapar de ótimos locais
• Busca Local e Problemas de Otimização — Melhorando o Estado Atual em Direção a Soluções Melhores
• Busca em Feixe — Geração Estável de Frases Mantendo os Melhores Candidatos

📍 Onde este conceito se encaixa no mapa de aprendizagem de IA

Veja onde este conceito se encontra no AI Universe.

📍 Posição atual no AI Universe

☰

Redefinir Mostrar concluídos · Login necessário Carregando…

🌌 AI Universe

‹

›

⭐ Conceito

Selecione uma estrela.

Ver o AI Universe completo

« Busca informada (Heurist…|Estratégia de busca — A… »

🔖 Tags: algoritmos de busca · busca em grafos · distancia de Manhattan · distancia euclidiana · função heurística · Machine Learning