《算法图解》——第七章 狄克斯特拉算法

       第七章    狄克斯特拉算法

1  使用狄克斯特拉算法(Dijkstra’s algorithm)

用下图举个🌰:

该算法的四个步骤:

①找出"最便宜的节点",即可在最短时间内到达的节点,先找出

②更新该节点的邻居的开销

③重复这个过程,直到对图中的每个节点都这样做了

④计算最终路径

第一步:找出最便宜的节点,假设需要时间无穷大,节点B是最近的——2分钟。

第二步:计算经节点B前往其各个邻居所需要的时间。

找到一条前往节点A的更短路径。

对于节点B的邻居,如果找到前往它的更短路径,就更新其开销。在这里,你找到了:

前往节点A的更短路径(时间从6分钟缩短到5分钟);前往终点的更短路径(时间从无穷大缩短到7分钟)。

第三步:重复!

重复第一步:找出可在最短时间内前往的节点。你对节点B执行了第二步,除节点B外,可在最短时间内前往的节点是节点A。

重复第二步:更新节点A的所有邻居的开销。

你发现前往终点的时间为6分钟!
你对每个节点都运行了狄克斯特拉算法(无需对终点这样做)。现在,你知道:前往节点B需要2分钟;前往节点A需要5分钟;前往终点需要6分钟。

广度优先搜索来查找两点之间的最短路径,那时“最短路径”的意思是段数最少。在狄克斯特拉算法中,你给每段都分配了一个数字或权重,因此狄克斯特拉算法找出的是总权重最小的路径。

比较图:


 

 

2  术语

该算法用于每条边都有关联数字的图,这些数字称为权重(weight)

带权重的图为加权图(weighted graph),不带权重的图为非加权图(unweighted graph)

计算非加权图中的最短路径,可使用广度优先搜索。计算加权图中的最短路径,可使用狄克斯特拉算法。

可能会有环的存在:

绕环的路径不可能是最短的路径,在无向图中,每条边都是一个环。狄克斯特拉算法只适合于有向无环图(directed acyclic graph,DAG)


 

 

3  换钢琴

举个🌰:

首先,创建一个表(和之前一样无穷大):

第一步:找出最便宜的节点。换海报

第二步:计算前往该节点的各个邻居的开销。

再次执行第一步:下一个最便宜的节点是黑胶唱片——加5美元。你更新了架子鼓和吉他的开销!这意味着经“黑胶唱片”前往“架子鼓”和“吉他”的开销更低,因此你将这些乐器的父节点改为黑胶唱片。

再次执行第二步:更新黑胶唱片的各个邻居的开销。

下一个最便宜的是吉他,因此更新其邻居的开销。

你终于计算出了用吉他换钢琴的开销,于是你将其父节点设置为吉他。最后,对最后一个节点——架子鼓,做同样的处理。

我们知道了最短路径开销是35,如何确定路径呢?

先找出钢琴的父节点:架子鼓。架子鼓的父节点:黑胶唱片。黑胶唱片的父节点:乐谱。得到完整的路径。

最短路径指的并不一定是物理距离,也可能是让某种度量指标最小。


 

 

4  负权边

举个🌰:

第二种方式的开销少2美元,应采取这种方式。但是,如果有负权变,就不能使用狄克斯特拉算法。

因为该算法假设:

对于处理过的海报节点,没有前往该节点的更短路径。这种假设仅在没有负权边时才成立。因此,不能将狄克斯特拉算法用于包含负权边的图。在包含负权边的图中,要找出最短路径,可使用另一种算法——贝尔曼-福德算法(Bellman-Fordalgorithm)。


 

 

5  实现

 

 以下图为🌰,用代码实现狄克斯特拉算法,

首先,需要三个散列表

第一个散列表是整个图的散列表,第二个散列表是开销,第三个散列表是父子节点

还需要一个数组,用于记录处理过的节点,因为对于同一个节点,你不用处理多次。processed = [ ]

算法如下:

代码如下:(书中有详细的每一步过程描述)

graph = {}            #整个图的散列表
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
graph["a"] = {}
graph["a"]["fin"] = 1
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
graph["fin"] = {}

infinity = float("inf")      #散列表是开销
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity

parents = {}            #散列表是父子节点
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None

processed = []

def find_lowest_cost_node(costs):         
    lowest_cost = float("inf")        
    lowest_cost_node = None
    for node in costs:
        cost = costs[node]
        if cost < lowest_cost and node not in processed:
            lowest_cost = cost
            lowest_cost_node = node
    return lowest_cost_node

node = find_lowest_cost_node(costs)      #在未处理的节点中找出开销最小的节点
while node is not None:             #在所有节点都被处理后结束
    cost = costs[node]
    neighbors = graph[node]
    for n in neighbors.keys():          #遍历当前节点的所有邻居
        new_cost = cost + neighbors[n]
        if costs[n] > new_cost:         #如果经当前节点前往该邻居更近
            costs[n] = new_cost          #更新该邻居的开销
            parents[n] = node          #同时将该邻居的父节点设置为当前节点
    processed.append(node)            #将当前节点标记为处理过
    node = find_lowest_cost_node(costs)    #找出接下来要处理的节点,并循环
print(costs)
print(parents)

 

练习
7.1 在下面的各个图中,从起点到终点的最短路径的总权重分别是多少?

 

A:8  B:60  C:负权边,无法用狄克斯特拉算法无法找出最短路径。


 

 

6  小结

广度优先搜索用于在非加权图中查找最短路径。
狄克斯特拉算法用于在加权图中查找最短路径。
仅当权重为正时狄克斯特拉算法才管用。
如果图中包含负权边,请使用贝尔曼-福德算法。

 

posted @ 2018-04-23 17:50  方玲是个小可爱  阅读(3919)  评论(0编辑  收藏  举报