ACM - 最短路 - AcWing 849 Dijkstra求最短路 I

AcWing 849 Dijkstra求最短路 I

题解

以此题为例介绍一下图论中的最短路算法。先让我们考虑以下问题：

给定一个 \(n\) 个点 \(m\) 条边的有向图（无向图），图中可能存在重边和自环，给定所有边的边权。请求出给定的一点到另一点的权值之和最小的一条路径。

上述问题即所谓的最短路问题。解决这类问题的常用最短路算法：

• \(Floyd\) 算法（多源最短路径）

• \(Dijkstra\) 算法（没有负权边的单源最短路径）

• \(Bellman\)-\(Ford\) 算法（含有负权边的单源最短路径）

另外还有著名的启发式搜索算法 —— \(A*\) 算法。我们以此题为模板来学习 \(Dijkstra\) 算法。

示例

给定一个图来演示算法过程，以下图为例求解从 \(0\) 号点（称为源点）出发到其余点的最短路径的距离。

初始化更新

声明一个 \(S\) 数组（取 \(short\) 首字母）,用来记录当前更新中已找到全局最短距离的点的编号。

声明一个 \(dist\) 数组，用来记录源点只能先到达集合 \(S\) 中的点，再直接到达目标点的那些路径（即中间没有经过 \(S\) 以外的点就直接到目标点）的最短距离（源点 \(\to\) \(S\) \(\to\) 目标点）。

在初始化更新中，\(S\) 数组更新为：

\[S = [0] \]

\(dist\) 数组被更新为：

\[dist = [0, \infty, 10, \infty, 15, 60] \]

解释上述更新。

初始的 \(S\) 数组为 \([0]\)（源点编号）。

\(dist[0]\) 表示 \(0\) 号点（源点）先到 \(S\) 数组中的点，再到 \(0\) 号点（目标点）的最短距离，即使可能存在自环，由于 \(Dijkstra\) 算法的使用前提是非负权（即边的权值大于等于 \(0\)），因此源点到自己的最短距离肯定为 \(0\)。

\(dist[1]\) 表示 \(0\) 号点（源点）先到 \(S\) 数组中的点，再到 \(1\) 号点（目标点）的最短距离，由于此时 \(S\) 数组中只有一个 \(0\) 号点（源点），而 \(0\) 号点到 \(1\) 号点没有边直接连接，因此为 \(\infty\)（表示不能先到 \(S\) 数组中的点，再到达 \(1\) 号点）。

其余点可类似解释。

第一轮更新

更新 \(S\) 数组

设 \(V = [0, 1, 2, 3, 4, 5]\)（图的所有点）。

在第一轮更新中，我们取 \(V - S\) 中 对应 \(dist\) 数组数值最小的那个点，即 \(2\) 号点（\(10\) 小于 \(15\)、\(60\)、\(\infty\)），此时 \(S\) 数组更新为：

\[S = [0, 2] \]

根据我们对 \(S\) 数组的解释，此时 \(2\) 号点的 \(dist[2]\) 已到达全局最短距离，此时我们不禁会想，这就达到最短距离了？难道 \(dist[2] = 10\) 就是 \(0\) 号点（源点）到 \(2\) 号点的最短距离了？

令 \(T = V - S = [1, 3, 4, 5]\)，则源点到 \(2\) 号点的最短路径只能为以下两种情况（中间点全为 \(S\) 中的点，中间点有一个不为 \(S\) 中的点）：

1. 源点 \(\to\) \(S\) \(\to\) \(2\) 号点 （\(S=[0]\)，为了方便说明此处把目标点剔除）
2. 源点 \(\to\) \(t \in T\) \(\to\) \(2\) 号点 （\(T=[1, 3, 4, 5]\)）

注：源点直接到 \(2\) 号点的情况包含在第一种情况（因 \(S\) 始终含源点）。

显然最短路径不会是第二种情况（这是算法正确性证明的核心，在之后几轮更新里该性质并不明显）。

更新 \(dist\) 数组

然后重新更新 \(dist\) 数组（因 \(S\) 数组被扩充了，而 \(dist\) 依赖 \(S\)），\(dist\) 数组更新为：

\[dist = [0, \infty, 10, 25, 15, 60] \]

可以看到只有一个值被更新了。记扩充前的 \(S\) 为 \(S1\)（此时 \(S1 = [0]\)），由 \(dist\) 数组的含义，我们只需比较得出是否新加入的点使得当前最短路径更短。

\[dist[i] = \min \left( dist[i], dist[2] + graph[2][i] \right) \]

注意，上述等号理解为赋值。此处为书写方便，使用图的邻接矩阵表示 \(graph\)。

比如更新 \(dist[3]\)。更新前 \(dist[3]\) 表示从源点出发，先到 \(S1\) 中的点，再到目标点（\(3\) 号点）的最短路径距离；更新后 \(dist[3]\) 应该为从源点出发，先到 \(S1 + [2]\) 中的点，再到目标点（\(3\) 号点）的最短路径距离。

我们重新明确一下更新后的最短路径可能的情况（注意，此处非常关键），对于该最短路径，我们考虑目标点（\(3\) 号点）的上一个点（！！！！！），该点只能为此轮扩充点（\(2\) 号点），或者不是此轮扩充点（非 \(2\) 号点），如果是扩充点，则该最短路径距离为 \(dist[2] + graph[2][i]\)；如果不是扩充点，则该最短路径为 \(dist[i]\)。

嗯？上个点不是扩充点的情况为 \(dist[i]\)？想想也确实，上个点在 \(S\) 中，但不是扩充点，说明必为 \(S1\) 中的点，而 \(S1\) 中的点在上一轮更新中已经保证全局最短距离。为更清晰地展示，我们列出更新后最短路径的可能情况：

1. 源点 \(\to\) 非扩充点 \(\to\) 目标点上个点（非扩充点） \(\to\) 目标点
2. 源点 \(\to\) 非扩充点 \(\to\) 目标点上个点（扩充点） \(\to\) 目标点
3. 源点 \(\to\) 扩充点 \(\to\) 目标点上个点（非扩充点） \(\to\) 目标点
4. 源点 \(\to\) 扩充点 \(\to\) 目标点上个点（扩充点） \(\to\) 目标点

目标点上个点有两种可能：扩充点和非扩充点；源点到目标点上个点的路径有两种可能：经过扩充点和不经过扩充点。易知，第 \(3\) 种和第 \(4\) 种情况都一定不是最短路径（第 \(3\) 种情况非最短是由于目标点上个点在 \(S1\) 中）。因此只更新第 \(1\) 种和第 \(2\) 种情况产生的最短路径即可。

第二轮更新

更新 \(S\) 数组

根据上面的规则，我们选取此轮的扩充点为 \(4\) 号点（\(dist[4]\) 在非 \(S\) 点中最小，\(15\) 小于 \(25\)、\(60\)、\(\infty\)），因此 \(S\) 数组被更新为：

\[S = [0, 2, 4] \]

根据我们对 \(S\) 数组的解释，此时 \(4\) 号点的 \(dist[4]\) 已到达全局最短距离。

此时 \(T = V - S = [1, 3, 5]\)，源点到 \(4\) 号点的最短路径只能为以下两种情况：

1. 源点 \(\to\) \(S\) \(\to\) \(4\) 号点 （\(S=[0, 2]\)，为了方便说明此处把目标点剔除）
2. 源点 \(\to\) \(t \in T\) \(\to\) \(4\) 号点 （\(T=[1, 3, 5]\)）

我们说，此时最短路径不可能为第 \(2\) 种情况，正是这性质使得源点到 \(4\) 号点的最短路径只能为第 \(1\) 种情况，即 \(dist[4]\) 为全局最短距离。

由于 \(S\) 数组包含源点，因此第 \(2\) 种情况也可以写成 源点 \(\to\) \(S\) \(\to\) \(t \in T\) \(\to\) \(4\) 号点。此时写成：

1. （源点 \(\to\) \(S\) \(\to\) \(4\) 号点）
2. （源点 \(\to\) \(S\) \(\to\) \(t_1 \in T\)） \(\to\) \(4\) 号点（此处 \(t_1\) 为路径中出现的第一个 \(T\) 中的点）

由于 \(dist[t] \geqslant dist[4]\)，显然第 \(1\) 种情况产生最短路径。

更新 \(dist\) 数组

此时的扩充点为 \(4\) 号点，由 \(dist\) 数组的含义，我们只需比较得出是否新加入的点使得当前最短路径更短。由式子：

\[dist[i] = \min \left( dist[i], dist[4] + graph[4][i] \right) \]

更新 \(dist\) 数组得：

\[dist = [0, \min(\infty,\infty), 10, \min(25, 15 + \infty), 15, \min \left( 60, 15 + 20 \right)] = [0, \infty, 10, 25, 15, 35] \]

第三轮更新

此轮加入的扩充点为 \(3\)，\(S\) 数组更新为：

\[S = [0, 2, 4, 3] \]

根据加入的扩充点更新数组 \(dist\) 为：

\[dist = [0, \min(\infty,\infty), 10, 25, 15, \min \left( 35, 25 + \infty \right)] = [0, \infty, 10, 25, 15, 35] \]

第四、五轮更新

加入的扩充点按顺序为 \(5\)、\(1\)。\(S\) 数组更新为：

\[S = [0, 2, 4, 3, 5, 1] \]

数组 \(dist\) 被更新为与原来一致，即：

\[dist = [0, \infty, 10, 25, 15, 35] \]

算法步骤

下面给出算法：

输入：赋权有向图 \(G(V, E, W)\)。
输出：源点 \(v_0\) 到其余各点的最短距离。

1. 初始化 \(S = \{ v_0 \}\)，遍历所有点，初始化当前最短距离 \(dist[i] = graph[v_0][i]\)

2. \(S\) 不等于 \(V\)，执行循环 \(2-5\)，若等于，转 \(6\)

3. 确定扩充点 \(m = \arg\min_{j \in V - S} dist[j]\)

4. 加入扩充点 \(m\)，\(S = S + \{ m \}\)

5. 更新 \(dist\)。遍历 \(V - S\) 所有点，\(dist[i] = \min \left( dist[i], dist[m] + graph[m][i] \right)\)

6. 结束。

从给出的算法步骤可以看出，整个算法大部分时间都在执行两层循环。外层循环是从第 \(2\) 步执行到 第 \(5\) 步，由于每一次循环我们都给 \(S\) 数组增加一个扩充点，外层循环执行次数为顶点数；而内层循环的时间复杂度则较为复杂，其复杂的原因也是 \(Dijkstra\) 算法拥有良好扩展性的原因：使用何种数据结构实现算法。

一般来说，其具体实现方式有四种：

• 顺序遍历集合 \(V - S\) 确定扩充点
• 使用二叉堆作为优先队列确定扩充点
• 使用二项堆作为优先队列确定扩充点
• 使用斐波那契堆堆作为优先队列确定扩充点

我们有二叉堆、二项堆和斐波那契堆的各个操作的时间复杂度（来自《算法导论》）：

设图中的顶点数为 \(V\)，边数为 \(E\)，则平均每个点的边数为 \(k = E/V\)。对于 \(Dijkstra\) 算法，我们可以得到统一的时间复杂度计算公式：

\[(V - 1) \times (T_{EXTRACT-MIN} + T_{DELETE} + T_{DECREASE-KEY} \times k) \]

对于上述四种具体实现方式，分别计算其时间复杂度：

1. 顺序遍历

\[\begin{align*} & (V - 1) \times (T_{EXTRACT-MIN} + T_{DELETE} + T_{DECREASE-KEY} \times k) \\ & = (V - 1) \times (V + 1 + k) \\ & = V^2 + E \end{align*} \]

2. 二叉堆

\[\begin{align*} & (V - 1) \times (T_{EXTRACT-MIN} + T_{DELETE} + T_{DECREASE-KEY} \times k) \\ & = (V - 1) \times (\lg V + \lg V + k \lg V) \\ & = V \times (2 + k) \times \lg V \\ & = (2 V + E) \lg V \\ & = (V + E) \lg V \\ \end{align*} \]

3. 二项堆

\[\begin{align*} & (V - 1) \times (T_{EXTRACT-MIN} + T_{DELETE} + T_{DECREASE-KEY} \times k) \\ & = (V - 1) \times (\lg V + \lg V + k \lg V) \\ & = V \times (2 + k) \times \lg V \\ & = (V + E) \lg V \\ \end{align*} \]

4. 斐波那契堆堆

\[\begin{align*} & (V - 1) \times (T_{EXTRACT-MIN} + T_{DELETE} + T_{DECREASE-KEY} \times k) \\ & = (V - 1) \times (\lg V + \lg V + k) \\ & = V \times (2 \lg V + k) \\ & = 2 V \lg V + E \\ & = V \lg V + E \\ \end{align*} \]

注，上述等式中的相等均是在“时间复杂度”意义下的相等。

程序设计

我们实现第一种用顺序遍历实现的 \(Dijkstra\) 算法。

程序：

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<iostream>
#include<vector>
using namespace std;

int n, m;

int graph[505][505];  // 邻接矩阵存图
int dis[505];  // dis[i]: 源点先到S集合，再到目标点的最短距离
int vis[505];  // vis[i]：表示i号结点的全局最短距离是否已经找到（0-1数组实现S集合）

int dijkstra()
{
    // 初始化更新
    vis[1] = 1;  // 等价于将源点加入S集合
    dis[1] = 0;  // 源点到自己的最短距离为0
    for (int i = 2; i <= n; ++i) dis[i] = graph[1][i];

    // 开始循环更新（当n号点的最短距离找到时，直接退出循环）
    for (int k = 0; k < n; ++k) {
        // 确定此轮扩充点
        int mi = -1; // mi : min_index，扩充点
        for (int i = 1; i <= n; ++i) {
            if (vis[i] == 0 && (mi == -1 || dis[i] < dis[mi])) mi = i;
        }
        // S集合加入扩充点
        vis[mi] = 1;
        // 更新距离
        for (int i = 1; i <= n; ++i) {
            if (vis[i] == 0) dis[i] = min(dis[i], dis[mi] + graph[mi][i]);
        }
    }

    // 如果起点到达不了n号节点，则返回-1
    if (dis[n] == 0x3f3f3f3f) return -1;
    // 返回起点距离n号节点的最短距离
    return dis[n];
}

int main()
{
    // 初始化
    int x, y, z;
    cin >> n >> m;  // 图有n个顶点，m条边
    memset(graph, 0x3f, sizeof(graph));
    memset(dis, 0x3f, sizeof(dis));
    memset(vis, 0, sizeof(vis));
    for (int i = 0; i < m; ++i) {
        cin >> x >> y >> z;
        if (graph[x][y] > z) graph[x][y] = z; // 处理重边的情况
    }
    // 输出图最短距离
    cout << dijkstra() << endl;
    return 0;
}

我们实现用堆优化的 \(Dijkstra\) 算法，也即使用优先队列维护 \(V - S\) 中的最小值。

程序：

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<iostream>
#include<vector>
#include<queue>
using namespace std;
typedef pair<int, int> PII;

int n, m;

vector<vector<pair<int, int> > > graph;  // 邻接表存图
int dis[505];  // dis[i]: 源点先到S集合，再到目标点的最短距离
int vis[505];  // vis[i]：表示i号结点的全局最短距离是否已经找到（0-1数组实现S集合）

int dijkstra() 
{
    dis[1] = 0;
    // 建立优先队列维护最小值
    priority_queue<PII, vector<PII>, greater<PII>> heap;
    heap.push({ 0, 1 });      // first存储距离，second存储节点编号

    while (heap.size()) {
        // 取出优先队列队首元素（即本轮扩充点）
        PII mi = heap.top();  
        heap.pop();
        int dist = mi.first; int node = mi.second;

        // heap存储的second为节点编号，在执行过程中会出现重复
        // 比如heap中有{2, 3}，表示源点经过S到3号顶点的最短距离为2
        // 下面的for循环会将{2, 3}更新为{1, 3}，但实际执行时没有“修改”，而是优先队列的“压入”(push)
        // “修改” = “压入新值” + “弹出旧值”（第一步“压入”被下面完成，第二步“弹出”被上面执行）
        // {1, 3}在下面被压入heap，{2, 3}在上面被弹出
        if (vis[node]) continue; 
        // 这保证了每轮更新至少出现一个扩充点，因此下面的for执行n-1次（与计算出的时间复杂度吻合）
        vis[node] = 1; 

        for (auto tmp : graph[node]) {  // 取出本轮扩充点的每条出边
            // 事实上只有扩充点的出边对应的点的dis出现变化，其余点的dis未发生变化
            // 这变化使得我们需要更新dis数组和优先队列heap
            int tmpnode = tmp.first;
            int tmpdist = tmp.second;
            if (dis[tmpnode] > dis[node] + tmpdist) { // 松弛
                dis[tmpnode] = dis[node] + tmpdist;
                heap.push({ dis[tmpnode], tmpnode });  // 注意这是“压入”更短的距离，不是“修改”
            }
        }
    }
    if (dis[n] == 0x3f3f3f3f) return -1;
    return dis[n];
}

int main()
{
    // 初始化
    int x, y, z;
    cin >> n >> m;  // 图有n个顶点，m条边
    graph.resize(n + 1);
    memset(dis, 0x3f, sizeof(dis));
    memset(vis, 0, sizeof(vis));
    for (int i = 0; i < m; ++i) {
        cin >> x >> y >> z;
        graph[x].push_back({ y, z });
    }
    // 输出图最短距离
    cout << dijkstra() << endl;
    return 0;
}

最短路算法对比

算法	\(Floyd\)	\(Dijkstra\)	\(Bellman\)-\(Ford\)
空间复杂度	\(O\)\((V^2)\)	\(O\)\((E)\)	\(O\)\((E)\)
时间复杂度	\(O\)\((V^3)\)	看具体实现	\(O\)\((VE)\)
负权边时是否可以处理	可以	不能	可以
判断是否存在负权回路	不能	不能	可以

其中 \(V\) 表示图的顶点数，\(E\) 表示图的边数。