探究最短路问题：Dijkstra算法-最短路问题dijkstra算法

[[386543]]

在上次写道关于数据结构的图，图的算法的考点只有一个：最短路问题。

最短路问题

最短路问题(Shortest Path Problems)：给定一个网络，网络的边上有权重，找一条从给定起点到给定终点的路径使路径上的边权重总和最小。

比如上图的：图中点1到点4的最短路径长度应为3(从1到2到4)。

最短路问题常用Dijkstra算法解决

Dijkstra算法

Dijkstra算法是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。

比如，上图Dijkstra算法就是不断地寻找开始节点到邻居节点的所有的路径，将最初的距离设置为最短距离，然后不断的更新节邻居节点的最短距离，直到最远的节点的最短距离求解出来的过程。

文字描述不清楚，看下面的动图。

将图上的顶点分为已访问visited和未访问node两个集合。

每次从visited向外拓展一个点，拓展规则是在可更新的点里是距离最小的。

我们还是以上面的图为例

先用邻接矩阵表示无向图：

MAX = 9999 
 
g= [ 
    [0, 1, 4, 6], 
    [MAX, 0, MAX, 2], 
    [MAX, MAX, 0, 1], 
    [MAX, MAX, MAX, 0] 
]

邻接矩阵g[0][1]=1表示，第一个节点到第二个节点的距离是1。

目的是要求出开始点1到其他各个点的最小路径距离

n = 4 #4个点 
# 初始化 visited  
visitd = [0] * (n) #记录该点是否为访问过 
# 第一个点已经访问了 
visitd[0] = 1 
#初始化源点到各个点的距离 node 集合 
d = g[0] 
 
for i in range(2, n): 
    # 遍历d 取出权重最小节点的位置 
    minWeigth = MAX 
    for j in range(2, n): 
        if d[j] < minWeigth and visitd[j] == 0: 
            minWeigth = d[j] 
            k = j 
            # 表示k是当前距1最短的点，同时标记k已经被找过 
    visitd[k] = 1 
    #  用该点进行松弛(relax) 
    for j in range(2, n): 
        if d[j] > d[k] + g[k][j] and visitd[j] == 0: 
            d[j] = d[k] + g[k][j] 
 
for i in range(1,n): 
    print(d[i]) 
     
1 
4 
5

至此，得到节点1到其余三个节点的最短距离是1、4和5。

「把Dijkstra 算法应用于无权图，或者所有边的权都相等的图，Dijkstra 算法等同于BFS搜索。」

多点求解

在很多的时候，要求输入一组点，然后求出输入一个起始点，得到无向图最短路径。

import math 
# 假设图中的顶点数 
V = 6 
# 标记数组：used[v]值为False说明改顶点还没有访问过，在S中，否则在U中！ 
used = [False for _ in range(V)] 
# 距离数组：distance[i]表示从源点s到ｉ的最短距离，distance[s]=0 
distance = [float('inf') for _ in range(V)] 
# cost[u][v]表示边e=(u,v)的权值，不存在时设为INF 
# cost领接表 
cost = [[float('inf') for _ in range(V)] for _ in range(V)] 
 
def dijkstra(s): 
    distance[s] = 0 
    while True: 
        # v在这里相当于是一个哨兵，对包含起点s做统一处理！ 
        v = -1 
        # 从未使用过的顶点中选择一个距离最小的顶点 
        for u in range(V): 
            if not used[u] and (v == -1 or distance[u] < distance[v]): 
                v = u 
        if v == -1: 
            # 说明所有顶点都维护到S中了！ 
            break 
        # 将选定的顶点加入到S中, 同时进行距离更新 
        used[v] = True 
        # 更新U中各个顶点到起点s的距离。之所以更新U中顶点的距离，是由于上一步中确定了k是求出最短路径的顶点，从而可以利用k来更新其它顶点的距离；例如，(s,v)的距离可能大于(s,k)+(k,v)的距离。 
        for u in range(V): 
            distance[u] = min(distance[u], distance[v] + cost[v][u]) 
 
 
for _ in range(9): 
    v, u, w = list(map(int, input().split())) 
    cost[v][u] = w 
    cost[u][v] = w 
s = int(input('请输入一个起始点：')) 
dijkstra(s) 
print(distance)

测试用例

0 1 1 
0 2 2 
0 3 3 
1 4 7 
1 5 9 
2 4 4 
3 4 5 
3 5 6 
4 5 8 
请输入一个起始点：0 
[0, 1, 2, 3, 6, 9]

在测试用例中的0 1 1表示第一个顶点到第二个顶点的距离是1。

Dijkstra算法使用邻接表的时间复杂度是。因此，很多使用堆进行优化或者使用散列表对多余的空间进行优化。