当前位置:   article > 正文

关于最短路径几种算法的总结_最短路径算法

最短路径算法

一、Dijkstra 算法

  1. 迪杰斯特拉算法,可以解决无负权值单源最短路径问题
  2. 基本思路是对图 G(V, E) 设置集合 S ,存放已被访问的顶点,然后每次从集合 V - S 中选择与起点 s 的最短距离最小的一个顶点(记为 u ),访问并加入集合 S。之后,令顶点 u 为中介点,优化起点 s 与所有从 u 能到达的顶点 v 之间的最短距离。这样操作 n 次( n 为顶点个数),直到集合 S 已包含所有顶点。
  3. 邻接矩阵版的 Dijkstra 算法,复杂度为 O(V2)( V 为顶点个数)。
  4. const int MAXN = 1000;
    const int INF = 0x3fffffff;

    int n, G[MAXN][MAXN]; // n 为顶点数,MAXN 为最大顶点数
    int d[MAXN]; //起点到达各点的最短路径长度
    bool vis[MAXN] = { false }; //标记数组,标记顶点是否被访问过

    void dijkstra(int s) { // s 为起点
        fill(d, d + MAXN, INF); // 初始化 d 数组为 INF
        d[s] = 0; //起点 s 到达自身的距离为 0
        for (int i = 0; i < n; i++) { //循环 n 次
            int u = -1, MIN = INF; // u 使 d[u] 最小,MIN 存放该最小的 d[u]
            for (int j = 0; j < n; j++) //找到未访问的顶点中 d[] 最小的
                if (!vis[j] && d[j] < MIN) { u = j; MIN = d[j]; }
            if (u == -1) return; //找不到小于 INF 的 d[u],说明剩下的顶点和起点 s 不连通
            vis[u] = true; //标记 u 为已访问
            for (int v = 0; v < n; u++)
                //如果 v 未访问,且 u->v 连通,且以 u 为中介点可使 d[v] 更优
                if (!vis[u] && G[u][v] != INF && d[u] + G[u][v] < d[v])
                    d[v] = d[u] + G[u][v]; //优化 d[v]
        }
    }

  5.  邻接表版的 Dijkstra 算法,复杂度为 O(V2+E)
  6. const int MAXN = 1000;
    const int INF = 0x3fffffff;

    struct node { int v, dis; };
    vector <node> adj[MAXN]; // adj[u] 存放从顶点 u 出发可以到达的所有顶点
    int n; // n 为顶点数
    int d[MAXN]; //起点到达各点的最短路径长度
    bool vis[MAXN] = { false }; //标记数组,标记顶点是否被访问过

    void dijkstra(int s) { // s 为起点
        fill(d, d + MAXN, INF); // 初始化 d 数组为 INF
        d[s] = 0; //起点 s 到达自身的距离为 0
        for (int i = 0; i < n; i++) { //循环 n 次
            int u = -1, MIN = INF; // u 使 d[u] 最小,MIN 存放该最小的 d[u]
            for (int j = 0; j < n; j++) //找到未访问的顶点中 d[] 最小的
                if (!vis[j] && d[j] < MIN) { u = j;    MIN = d[j]; }
            if (u == -1) return; //找不到小于 INF 的 d[u],说明剩下的顶点和起点 s 不连通
            vis[u] = true; //标记 u 为已访问
            for (int j = 0; j < adj[u].size(); j++) {
                int v = adj[u][j].v; //通过邻接表直接获得 u 能到达的顶点 v
                //如果 v 未访问,且以 u 为中介点可使 d[v] 更优
                if (!vis[v] && d[u] + adj[u][j].dis < d[v])
                    d[v] = d[u] + adj[u][j].dis; //优化 d[v]
            }

        }
    }

  7. 可以使用堆(优先级队列)来优化寻找最小 d[u] 的过程,这样使用邻接矩阵实现的 Dijkstra 算法的时间复杂度可以降为 O(VlogV)​​​,使用邻接表实现的 Dijkstra 算法的时间复杂度可以降为 O(VlogV+E)。 
  8. 如果要求得最短路径本身,可以设置数组 pre[],令 pre[v] 表示从起点 s 到顶点 v 的最短路径上 v 的前一个顶点(即前驱结点)的编号,这样可以在优化 d[v] 时,可以将 u 赋给 pre[v],最终就能把最短路径上每一个顶点的前驱记录下来。然后使用 DFS 递归便可以输出最短路径本身。
  9. 一般情况下,如果有两条及以上可以达到最短距离的路径,题目会给出一个第二标尺(第一标尺是距离),要求在所有最短路径中选择第二标尺最优的一条路径。而第二标尺常见的是这三种情况或其组合:第一种,给每条边再增加一个边权(比如花费),然后要求在最短路径有多条时要求路径上的花费之和最小(如果边权是其他含义,也可以是最大);第二种,给每个点增加一个点权(例如每个城市能收集到的物资),然后在最短路径有多条时要求路径上的点权之和最大(如果点权是其他含义的话也可以是最小);第三种,直接问有多少条最短路径。对于这三种出题方法,都只需要增加一个数组来存放新增的边权或点权或最短路径条数,然后在优化 d[v] 的那个步骤中修改增加的数组即可。

  10. 这里给出一种通用的模板化的解决上述三种情况的最短路径算法:Dijkstra + DFS。具体是先在 Dijkstra 算法中记录下所有最短路径(只考虑距离),然后从这些最短路径中选出一条第二标尺最优的路径。完整的参考代码如下。

  11. const int MAXN = 1000;
    const int INF = 0x3fffffff;

    第一步,使用 Dijkstra 算法记录所有的最短路径
    int n, G[MAXN][MAXN];
    int d[MAXN];
    bool vis[MAXN] = { false };
    vector <int> pre[MAXN];

    void dijkstra(int s) {
        fill(d, d + MAXN, INF);
        d[s] = 0;
        for (int i = 0; i < n; i++) {
            int u = -1, MIN = INF;
            for (int j = 0; j < n; j++)
                if (!vis[j] && d[j] < MIN) { u = j; MIN = d[j]; }
            if (u == -1) return;
            vis[u] = true;
            for (int v = 0; v < n; v++)
                if (!vis[v] && G[u][v] != INF) {
                    if (d[u] + G[u][v] < d[v]) {
                        d[v] = d[u] + G[u][v]; //优化 d[v]
                        pre[v].clear(); //清空 pre[v]
                        pre[v].push_back(u); //令 v 的前驱为 u
                    }
                    else if (d[u] + G[u][v] == d[v]) {
                        pre[v].push_back(u); //令 v 的前驱为 u
                    }
                }
        }
    }

    第二步,遍历所有最短路径,找出一条使第二标尺最优的路径
    int opt_value; //第二标尺最优值
    int st; //路径的起点
    vector <int> path, temp_path; //最优路径,临时路径

    void DFS(int v) {
        if (v == st) { //如果到达了路径起点
            temp_path.push_back(v); //将起点加入临时路径 temp_path 的最后面
            int value = 0; //存放临时路径 temp_path 的第二标尺的值
            计算路径 temp_path 上的 value 值
            if (value 优于 opt_value) {
                opt_value = value; //更新第二标尺最优值
                path = temp_path; //更新最优路径
            }
            temp_path.pop_back(); //将刚加入的结点删除
            return;
        }
        //递归式
        temp_path.push_back(v); //将当前访问结点加入临时路径 temp_path 的最后面
        for (int i = 0; i < pre[v].size(); i++) 
            DFS(pre[v][i]); //结点 v 的前驱结点 pre[v][i],递归
        temp_path.pop_back(); //遍历完所有前驱结点,将当前结点 v 删除
    }

  12. 注意。由于递归的原因,存放在 temp_path 中的路径结点是逆序的,因此访问结点需要倒着进行;另外,顶点下标的范围需要根据题意来考虑是 0 ~ n-1 还是 1 ~ n。

二、Bellman-Ford 算法

  1. Bellman-Ford 算法可以解决有负权值单源最短路径问题。与 Dijkstra 算法相同,Bellman-Ford 算法设置一个数组 d ,用来存放从源点到达各个顶点的最短距离。同时 Bellman-Ford 算法返回一个 bool 值:如果其中存在从源点可达的负环,那么函数将返回 false;否则,函数将返回 true,此时数组 d 中存放的值就是从源点到达个顶点的最短距离。
  2. Bellman-Ford 算法的思路是对图中的边进行 V-1 轮操作,每轮都遍历图中的所有边:对每条边 u->v,如果以 u 为中介点可以使 d[v] 更小,就更新 d[v]。此时,如果图中没有从源点可达的负环,那么数组 d 中的所有值都应当已经达到最优。因此,只需要再对所有边进行一轮操作,判断是否有某个中介点可以使得 d[v] 可以更小,如果有,则说明图中有从源点可达的负环,返回 false;否则,说明数组 d 中的所有值已经达到最优,返回 true。算法的时间复杂度为 O(VE)( V 为顶点个数,E 为边数)。
  3. 由于 Bellman-Ford 算法需要遍历所有边,因此使用邻接表会比较方便。参考代码如下。
  4. struct node { int v, dis; }; // v 为邻接边的目标顶点, dis 为邻接边的边权
    int n; // n 为顶点数,MAXN 为最大顶点数
    vector <node> adj[MAXN]; //图的邻接表
    int d[MAXN]; //起点到达各点的最短路径长度

    bool bellman(int s) { // s 为源点
        fill(d, d + MAXN, INF);
        d[s] = 0; //起点 s 到达自身的距离为 0
        //以下为求解数组 d 的部分
        for (int i = 0; i < n - 1; i++) { //执行 n-1 轮操作,n 为顶点数
            for (int u = 0; u < n; u++) { //每轮操作都遍历所有边
                for (int j = 0; j < adj[u].size(); j++) {
                    int v = adj[u][j].v; //邻接边的顶点
                    int dis = adj[u][j].dis; //邻接边的边权
                    if (d[u] + dis < d[v]) //以 u 为中介点可以使 d[v] 更小
                        d[v] = d[u] + dis; //松弛操作
                }
            }
        }
        //以下为判断负环的代码
        for (int u = 0; u < n; u++) { //对每条边进行判断
            for (int j = 0; j < adj[u].size(); j++) {
                int v = adj[u][j].v; //邻接边的顶点
                int dis = adj[u][j].dis; //邻接边的边权
                if (d[u] + dis < d[v]) //如果仍可以被松弛
                    return false; //说明图中存在从源点可达的负环
            }
        }
        return true; //数组 d 的所有值已经达到最优
    }

  5. 最短路径的求解方法、有多重标尺时的做法均与 Dijkstra 算法中介绍的相同。唯一要注意的是统计最短路径条数的做法:需要设置记录前驱的数组 set <int> pre[MAXN],当遇到一条和已有最短路径长度相同的路径时,必须重新计算最短路径条数。 

三、SPFA 算法

  1. Bellman-Ford 算法的每轮操作都需要操作所有边,显然这其中会有大量无意义的操作,严重影响了算法的性能。注意到只有当某个顶点 u 的 d[u] 值改变时,从它出发的边的邻接点 v 的 d[v] 值才有可能被改变。因此进行一个优化:建立一个队列,每次将队首顶点 u 取出,然后对从 u 出发的所有边 u->v 进行松弛操作,如果 d[v] 获得了更优的值,此时如果 v 不在队列中,就把 v 加入队列。这样操作直到队列为空(说明图中没有从源点可达的负环),或是某个顶点的入队次数超过 V-1 (说明图中存在从源点可达的负环)。
  2. 这种优化后的算法被称为 SPFA(Shortest Path Faster Algorithm),期望时间复杂度为 O(kE),其中 E 是图的边数,k 是一个常数,很多情况下都不超过 2 ,但如果图中有从源点可达的负环,传统 SPFA 的时间复杂度就会退化成 O(VE)
  3. 如果事先知道图中不会有环,那么 num 数组的部分可以去掉。注意,使用 SPFA 算法可以判断是否存在从源点可达的负环,如果负环从源点不可达,则需要添加一个辅助顶点 C ,并添加一条从源点到达 C 的有向边以及 V-1 条从 C 到达从 C 到达除源点外各顶点的有向边才能判断负环是否存在。参考代码如下。
  4. struct node { int v, dis; }; // v 为邻接边的目标顶点, dis 为邻接边的边权
    int n; // n 为顶点数,MAXN 为最大顶点数
    vector <node> adj[MAXN]; //图的邻接表
    int d[MAXN], num[MAXN] = { 0 }; //d 记录起点到达各点的最短路径长度,num 记录顶点的入队次数
    bool inq[MAXN] = { false }; //顶点是否在队列中

    bool SPFA(int s) {
        fill(d, d + MAXN, INF);
        queue <int> q;
        q.push(s); //源点入队
        inq[s] = true; //源点已入队
        num[s]++; //源点入队次数加 1
        d[s] = 0; //源点的 d 值为 0
        while (q.size()) {
            int u = q.front(); //队首顶点编号为 u
            q.pop(); //出队
            inq[u] = false; //设置 u 不在队列中
            for (int j = 0; j < adj[u].size(); j++) { //遍历 u 的所有邻接边 v
                int v = adj[u][j].v;
                int dis = adj[u][j].dis;
                if (d[u] + dis < d[v]) { //松弛操作
                    d[v] = d[u] + dis;
                    if (!inq[v]) { //如果 v 不在队列中
                        q.push(v); // v 入队
                        inq[v] = true; //设置 v 为在队列中
                        num[v]++; // v 的入队次数加 1
                        if (num[v] > n - 1) return false; //有可达负环
                    }
                }
            }
        }
        return true; //无可达负环
    }

  5. SPFA 十分灵活,其内部的写法可以根据具体场景的不同进行调整。上面给出的代码是 SPFA 的 BFS 版本,如果将队列替换成栈,则可以实现 DFS 版本的 SPFA ,对判环有奇效。

四、Floyd 算法

  1. Floyd 算法(弗洛伊德算法)用来解决全源最短路径问题,即对给定的图 G(V, E) ,求任意两点 u,v 之间的最短路径长度,时间复杂度为 O(n3)。此时间复杂度限定了顶点数 n 约在200以内,因此使用邻接矩阵来实现 Floyd 算法是非常合适且方便的。
  2. Floyd 算法的基本思路:如果存在顶点 k,使得以 k 为中介点时顶点 i 和顶点 j 的当前距离缩短,则使用顶点 k 作为顶点 i 和顶点 j 的中介点。这样枚举所有的顶点 k,以顶点 k 为中介点,枚举所有的顶点对 i 和 j,进行优化即可。参考代码如下。
  3. int n, m; // n 为顶点数,m 为边数
    int dis[MAXN][MAXN]; // dis[i][j] 表示顶点 i 和顶点 j 的最短距离

    void floyd() {
        for (int k = 0; k < n; k++)
            for (int i = 0; i < n; i++)
                for (int j = 0; j < n; j++)
                    if (dis[i][k] != INF && dis[k][j] != INF && dis[i][k] + dis[k][j] < dis[i][j])
                        dis[i][j] = dis[i][k] + dis[k][j]; //找到更短的路径
    }

五、总结

四种最短路径算法的比较
算法名称适用条件时间复杂度其他
Dijkstra 算法

非负权值的单源最短路径

O(V2)

时间复杂度可优化至 O(VlogV)

对于邻接矩阵和邻接表均比较适合,

Bellman-Ford 算法

图中不存在从源点可达的负环

O(VE)

一般使用邻接表来存储图

如果使用邻接矩阵存储图,则和 Floyd 算法一致。

可以用来判断是否存在从源点可达的负环。

SPFA 算法

图中不存在从源点可达的负环

O(kE)

是对 Bellman-Ford 算法的优化。

可以用来判断是否存在从源点可达的负环。

Floyd 算法

全源最短路径

顶点数在200以内,其他无限制

O(V3)

一般使用邻接矩阵来存储图

六、参考文献 

[1] 胡凡,曾磊.算法笔记[M].机械工业出版社,2016:465.

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/从前慢现在也慢/article/detail/710927
推荐阅读
相关标签
  

闽ICP备14008679号