数据结构复习笔记 最短路径Shortest path

1,436 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,436
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
8
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

数据结构复习笔记 最短路径Shortest path

  1. 1. 最短路径 ShortestPath_DIJ 1 最短路径算法 在日常生活中,我们如果需要常常往返 A 地区和 B 地区之间,我们最希望知道的可能是从 A 地区到 B 地区间的众多路径中,那一条路径的路途最短。最短路径问题是图论研究中的一个经典算法问题, 旨在寻找图(由结点和路径组成的)中两结点之间的最短路径。 算法具体的形式包括: (1)确定起点的最短路径问题:即已知起始结点,求最短路径的问题。 (2)确定终点的最短路径问题:与确定起点的问题相反,该问题是已知终结结点,求最短路径的问题。在无向图中该问题与确定起点的问题完全等同,在有向图中该问题等同于把所有路径方向反转的确定起点的问题。 (3)确定起点终点的最短路径问题:即已知起点和终点,求两结点之间的最短路径。 (4)全局最短路径问题:求图中所有的最短路径。 用于解决最短路径问题的算法被称做“最短路径算法”, 有时被简称作“路径算法”。 最常用的路径算法有:Dijkstra 算法、A*算法、Bellman-Ford 算法、Floyd-Warshall 算法、Johnson 算法。 本文主要研究 Dijkstra 算法的单源算法。 2 Dijkstra 算法 2.1 Dijkstra 算法 Dijkstra 算法是典型最短路算法,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。Dijkstra 算法能得出最短路径的最优解,但由于它遍历计算的节点很多,所以效率低。 Dijkstra 算法是很有代表性的最短路算法,在很多专业课程中都作为基本内容有详细的介绍,如数据结构,图论,运筹学等等。 2.2 Dijkstra 算法思想 Dijkstra 算法思想为:设 G=(V,E)是一个带权有向图,把图中顶点集合 V 分成两组,第一组为已求出最短路径的顶点集合(用 S 表示,初始时 S 中只有一个源点,以后每求得一条最短路径 , 就将 加入到集合 S 中,直到全部顶点都加入到 S 中,算法就结束了),第二组为其余未确定最短路径的顶点集合(用 U 表示),按最短路径长度的递增次序依次把第二组的顶点加入 S 中。在加入的过程中,总保持从源点 v 到 S 中各顶点的最短路径长度不大于从源点 v 到 U 中任何顶点的最短路径长度。此外,每个顶点对应一个距离,S 中的顶点的距离就是从 v 到此顶点的最短路径长度, 中的顶点的距离, U 是从 v 到此顶点只包括S 中的顶点为中间顶点的当前最短路径长度。 2.3 Dijkstra 算法具体步骤 1
  2. 2. (1)初始时,S 只包含源点,即 S=,v 的距离为 0。U 包含除 v 外的其他顶点,U中顶点 u 距离为边上的权(若 v 与 u 有边)或 )(若 u 不是 v 的出边邻接点)。 (2)从 U 中选取一个距离 v 最小的顶点 k,把 k,加入 S 中(该选定的距离就是 v 到k 的最短路径长度)。 (3)以 k 为新考虑的中间点,修改 U 中各顶点的距离;若从源点 v 到顶点 u(u U)的距离(经过顶点 k)比原来距离(不经过顶点 k)短,则修改顶点 u 的距离值,修改后的距离值的顶点 k 的距离加上边上的权。 (4)重复步骤(2)和(3)直到所有顶点都包含在 S 中。 算法:(a) 初始化:用起点 v 到该顶点 w 的直接边(弧)初始化最短路径,否则设为∞; (b) 从未求得最短路径的终点中选择路径长度最小的终点 u:即求得 v 到 u 的最短路径; (c) 修改最短路径:计算 u 的邻接点的最短路径,若(v,…,u)+(u,w)<(v,…,w),则以(v,…,u,w)代替。 (d) 重复(b)-(c),直到求得 v 到其余所有顶点的最短路径。 特点:总是按照从小到大的顺序求得最短路径。 2.4 Dijkstra 算法举例说明 如下图,设 A 为源点,求 A 到其他各顶点(B、C、D、E、F)的最短路径。线上所标注为相邻线段之间的距离,即权值。(注:此图为随意所画,其相邻顶点间的距离与图中的目视长度不能一一对等) 图一:Dijkstra 无向图 2
  3. 3. 算法执行步骤如下表:以上部分参考:http://2728green-rock.blog.163.com/blog/static/43636790200901211848284/ 从 A 点到各终点的 D 值和最短路径的求解过程 终点 i=1 i=2 i=3 i=4 i=5 6 5 B (A,B) (A,C,B) 3 C (A,C) 6 6 D ∞ (A,C,D) (A,C,D) 7 7 7 E ∞ (A,C,E) (A,C,E) (A,C,E) 9 9 F ∞ ∞ ∞ (A,C,D,F) (A,C,D,F) 选择点 C B D E F S {A,C} {A,C,B] {A,C,B,D} {A,C,B,D,E} {A,C,B,D,E,F}例 2:用迪杰斯特拉算法求下图中 A 到其余顶点的最短路径。 3
  4. 4. 说明:求得 v�u 的最短路径后,只要计算 u 到其余顶点是否(比原来)有更短路径即可,这样可以减少计算量。另外,注意合并路径。最短路径算法:void ShortesPath_DIJ(MGraph G, int v0,PathMatrix &P, ShortPathTable &D ){//若 w 是从 v0 到 v 最短路径上的顶点,则 p[v][w]为 TRUE//已经求得从 v0 到 v 的最短路径,final[v]为 TRUE{for(v=0; v<G.vexnum; ++v) {final[v] = FALSE; D[v] = G.arcs[v0][v]; for(w=0; w<G.vexnum; ++w) P[v][w] = FALSE; // 设空路径 if (D[v]<INFINITY) {p[v][v0]=TRUE; p[v][v] = TRUE; } }// forD[v0] = 0; final[v0] = TRUE; // 初始化,v0 顶点属于 S 集// 开始主循环,每次求得 v0 到某个 v 顶点的最短路径,并加 v 到 S 集for (i=1; i<G.vexnum; ++i) // 其余 G.vexnum-1 个顶点 {min = INFINITY; //当前所知离 v0 顶点的最近距离 for(w=0;w<G.vexnum; ++w) if (! final[w]) // w 顶点在 V -S 中 if(D[w]<min) {v = w; min = D[w]; } // w 顶点离 v0 顶点更近 final[v] = TRUE; // 离 v0 顶点最近的 v 加入 s 集 for(w=0; w<G.vexnum; ++w) //更新当前最短路径及距离 if(! final[w] &&(min+G.arcs[v][w]<D[w])) { D[w] = min + G.arcs[v][w]; //修改 D[w]和 P[w],w∈V-S P[w] = P[v]; P[w][w] = TRUE; // P[w] = P[v] + [w] }// if }// for}// ShortestPath_DIJ 4
  5. 5. 弗洛伊德算法这个算法真的不会,只好贴别人的了。求每对顶点之间的最短路径。依次计算 A(0), (1), A(n)。 (0)为邻接矩阵, A …, A 计算 A(k)时, (k)(i,j)=min{A(k-1)(i,j), A(k-1)(i,k)+A(k-1)(k,j)}。 A技巧:计算 A(k)的技巧。第 k 行、第 k 列、对角线的元素保持不变,对其余元素,考查 A(i,j)与 A(i,k)+A(k,j) (“行+列”1) ,如果后者更小则替换 A(i,j),同时修改路径。例:用弗洛伊德算法计算图中各顶点之间的最短路径。技巧:当不变行或不变列(即第 k 行、第 k 列)某元素为∞时,其所在的列或行元素也不变。例如:计算 A(1)时,A(2,1) = A(3,1) = ∞,所以第 2、3 行都不变,而 A(1,4) = ∞,所以第 4 列也不变,这样,只剩下 A(4,2)和 A(4,3)需要计算了。1 第 k 列 i“行”元素加上第 k 行 j“列”元素。 5

×