我的无优化 SPFA 果然有问题

SPFA 是一个非常好用的最短路径算法,可以跑负边权、判负环。但总有一些良心出题人要卡掉它。

我是 SPFA 小姐的狗!

可爱的 SPFA 娘

“单源最短路啊?人家最擅长啦!”

10 mins later

“唔……应该是这样……然后这样……诶诶怎么还没有处理完啦!这个数据好讨厌的QAQ”

“话说这个数据没有负权边为什么不叫小迪来啊欺负我吗QAQ”

又是5分钟过去

“啊终于处理完啦!”SPFA站起身,满意地伸了个懒腰

“唔……好像花的时间很长呢……希望主人不要因此抛弃我……”

如果她还有点智能的话,她就会发现她做了很久的无用功

但是……她根本不能确定哪些事是无用的啊

转载自洛谷的帖子

前置知识

先复习一下,不然大家可能已经忘记算法原理了。

Bellman–Ford 算法:不断尝试对图上每条边进行松弛。每进行一轮循环,就对图上所有的边都尝试进行一次松弛操作,当一次循环中没有成功的松弛操作时,算法停止。

假设最短路存在,那么一次松弛操作会使得最短路的边数至少加 \(1\)。又因为最短路的边数最多为 \(n-1\),那么最多执行 \(n-1\) 轮松弛操作,总时间复杂度为 \(O(nm)\)

Bellman–Ford 算法显然是会遍历很多没有必要再去遍历的边,所以它的复杂度不优。

显然,只有上一次被松弛的点所连接的边才有可能被松弛,那么我们就可以把被松弛的点放入队列,只去遍历队列中的点所连的边,这就是 SPFA 算法的原理。

显然,它的时间复杂度是 \(O(kE)\)\(E\) 为边数,\(k\) 为每个点平均入队次数,一般有 \(k \leq 2\)

简单优化

1. SLF 优化(Small Label First)

把普通的队列变成双端队列,对于即将入队的元素 \(x\),将其与队首元素的 \(\operatorname{dis}_x\) 进行比较,若队首元素较大,则从队首插入;否则从队尾插入。

2. LLL 优化(Large Label Last)

也是使用双端队列,维护当前队列中元素到起点距离的平均值,设这个平均值为 \(ave\),若 \(\operatorname{dis}_x>ave\),从队尾插入;否则从队首插入。

意义:可以让更新出结点最终解可能性更大的结点优先进行更新,减少了迭代次数。

较高级优化

1. SLF 优化带容错

定义一个容错值 \(diff\),当 \(\operatorname{dis}_x\) 大于队首元素的 \(\operatorname{dis}+diff\) 时,从队尾插入;否则从队首插入。

意义:可以使程序不陷入局部最优解。

2. mcfx 优化

定义一个区间 \(\left[ l,r \right]\)(通常取 \(l = 2,r=\sqrt{V}\)),当入队结点的入队次数属于这个区间时,从队首插入;否则从队尾插入。

意义:网格图表现优秀。假设有一个结点,从这个结点出发的大多数边都只能更新一个非最优解,那么它会导致迭代过多,那么经过 mcfx 优化可以使得它在队列中的优先级降低。一般可以与带容错的 SLF 优化一同使用。

3. Swap-SLF

若队列发生改变,并且有队首元素的 \(\operatorname{dis}\) 大于队尾元素的 \(\operatorname{dis}\),那么交换队首和队尾元素。

意义:比普通的 SLF 优化快很多,可以让队列更加接近优先队列,非常难卡。

4. 基于 DFS 的优化

原本的 SPFA 算法使用广度优先搜索,对于扩展的新结点,总是放到队列末尾,这样会中断迭代的连续性。那我们采用深度优先搜索的思想,不断从新结点向下递归求解。

这样判负环会更简单些,只用一个辅助数组记录当前结点是否在递归栈中即可。

但是在拓扑关系较强时仍是广度优先搜索更优一些,所以考虑进行优化。

可以考虑在进行第一次 DFS 时,对扩展结点采取一些限制,以快速求得一个最优解,然后再进行第二次 DFS。

但这样仍然不如 BFS,BFS 的优势在于某个点在出队之前可能再次被更新,而得到了更优解进行下一次迭代,而 DFS 常常会用一个劣解进行深层的迭代。

那么可以迭代加深搜索,结合前面的限制方法,通过限制结点递归的深度并逐步放宽限制进行求解。

有两种比较好的限制方法:

  1. 依次设置深度上限为 \(1,2,4,\dots,2^k\)
  2. 依次设置深度上限为 \(20,30,40,50,60,80,100,\dots\)

实验表明,在网格图中,限制深度的 DFS 效果大幅优于 BFS。

5. NTR 优化

维护一个叫作临时最短路树的东西,刚开始只有一个起点。

在 SPFA 的过程中,每次松弛边 \((u,v)\) 时将 \(v\) 的父亲设为 \(u\)

\(v\) 可能存在后代,所以将其所有后代的 vis 标记清除;在 SPFA 过程中如果发现队首元素的 vis\(0\) 就跳过。

因为如果我们能松弛边 \((u,v)\),那么从边 \((u,v)\) 走一定比以前那种走法更优。

这里的描述参考自叫做 Raffica 的博主,他将这个研究结果发了论文并将论文发给了 Andrew.V.Goldberg 教授。Andrew.V.Goldberg 教授说这不是 Tarjan 算法吗?(以 Tarjan 命名的算法有几十种)

似乎出自 Tarjan 未完全公开发表的论文,感兴趣可以发 E-mail 和 Tarjan 要。

6. RMF 优化(Reconfiguration-Minimum-First)

设定一个阈值 \(k\),并规定每个点的入队次数不能大于 \(k\)

按这样跑完一遍 SPFA 之后,把所有点到起点的距离从小到大排序并依次加入队列(无法到达的不加),再跑一遍没有限制的 SPFA,会跑的飞快。

可以调整参数或者多跑几遍(类似模拟退火)。

7. UNVRS 优化

考虑 Swap-SLF 优化,如果队尾比队首小进行交换。那么我们可以考虑将队首后面若干个和队尾前面若干个也进行交换。

玄学优化

1. 边序随机

将读入的边随机打乱,之后再进行 SPFA。

2. 队列随机

每个结点入队时,以 \(\dfrac{1}{2}\) 的概率分别进入队首和队尾。

3. 队列随机优化

每若干次入队后,将队列元素随机打乱。

5. 猴排优化

每次取队首时,随机选一些数,然后取出其中最小的。

数据结构优化

通过更换使用的数据结构,一般是优先队列或者 ZKW 线段树。

在正边权上,使用这两种数据结构的 SPFA 与 Dijkstra 相当;负边权上可以会被卡成指数级别。

参考资料

  1. OI-Wiki 最短路页面
  2. spfa 的魔改方法
  3. SPFA 算法的玄学方法
  4. 知乎-如何看待 SPFA 已死这种说法
  5. 迭代求解的利器——SPFA 算法的优化与应用-姜碧野
  6. NTR 优化-Raffica
  7. 复活 SPFA
posted @ 2023-09-20 19:28  -白简-  阅读(194)  评论(8编辑  收藏  举报