当前位置：首页 > news >正文

最短路径问题（图论）

news 2025/8/23 9:32:55

1 Floyd

作用：

求图中所有顶点之间的最短路径，包括有向图或者无向图，权重正负皆可，用来一次性求所有点之间的最短路径。

原理

递推公式，F[K][X][Y] 表示顶点x,y中间最多只经过(0,1,2,…k)这些顶点时的最短路径
三层遍历，第一层必须为中间层，这样才会逐步将中间层扩大，如果中间层没有放在第一层，会导致每个f[x] 实际只会求取一次，结果不正确。
**根据上面实际上需要使用三位数组进行求解，但是可以优化为二维数组，初始状态时，时候F[X][Y]可能为 “0/实际权重/正无穷”;如果点X，Y直连，则F[X][Y]为实际权重；如果点X==Y,则F[X][Y]=0；如果点X，Y非直连，则F[X][Y] = 正无穷

实际的代码如下：

for k in range(1, n + 1):for x in range(1, n + 1):for y in range(1, n + 1):f[k][x][y] = min(f[k - 1][x][y], f[k - 1][x][k] + f[k - 1][k][y])

最外层的数组可以省略，优化为如下：

for k in range(1, n + 1):for x in range(1, n + 1):for y in range(1, n + 1):f[x][y] = min(f[x][y], f[x][k] + f[k][y])

详见 Floyd算法解析

2 Dijsktra算法

作用

是一种单源最短路径算法，他能找到其中一个点到其他所有点的最短路径，只支持权重为正的情况，因为Dijkstra算法存在贪心的策略，一旦到某个节点的最短路径被确定，后续就无法修改。故无法支持权重为负的情况。

实现原理

假设有如下图结构，求节点A到节点F的最短距离，实现过程如下：

首先准备一个优先队列，一个最短距离前驱表t1，以及一个节点最短距离是否已经被计算出的表visisted。t1[v]中包含顶点A距离顶点v的最短距离以及顶点v的前驱节点，初始的时候，将顶点A到它自身的距离为0，其他顶点到顶点A的距离为无穷大，前驱节点为空，将（0，A）放到优先队列中（以第一位距离作为排序的key，小根堆）
首先从优先队列中取出首位距离最短的节点信息（0, A），然后依次遍历顶点A的所有边（B,C）,将（4, B）,(5,C）放到优先队列中，同时更新最短距离前驱表，并将顶点A放到visited表，表示下次遍历到顶点A的时候，直接忽略，具体结果如下:
然后再从优先队列中取出顶点(4, B)信息，依次遍历B所有的边（C, D，E）其中A已经被放到visited中，无需再遍历，遍历B的边C的时候，发现权重之和（A->B + B->C =4 + 11 < 5)大于当前表中已经存在的距离，故这里不更新C的距离以及前驱；遍历边D的时候，发现(A->B + B-> = 4 + 9 = 13 < 正无穷 )小于当前表中已经存在，更细表中顶点D到A的最短距离为13以及前驱节点为B。
后续的操作与上面一样，直到优先队列中的元素被取完，如果从优先队列中取出的顶点到A的距离小于表中已经存在的距离或者已经处于visited表中，则直接忽略即可
最后通过得到的最短距离前驱表可以得到顶点A到其他所有节点的最短距离以及对应的路径

备注：最短距离前驱表中前驱信息是用来根据回溯得到目标顶点的最短路径
代码实现

def dijkstra(n, source, weights):## weights 列表的每一个元素格式为（n1, n2, w）表示顶点n1->n2的权重为w## n 表示顶点的格式，source表示原顶点## 这里需要将顶点信息都转化为0,1... n-1的编号# 为求顶点source 到其他顶点的最短距离neighbors = [[] for _ in range(n)]inf = float('inf')edges = [[inf for _ in range(n)] for _ in range(n)]for v1, v2, w in weights:neighbors[v1].append(v2)neighbors[v2].append(v1)edges[v1][v2] = wedges[v2][v1] = wpq = []heapq.heappush(pq, (0, source))visited = set()t1 = {}for i in range(n):t1[i] = (inf, -1)t1[source] = (0, -1)print(f"neighbors:{neighbors}")while pq:print(f"pq:{pq}")d, v = heapq.heappop(pq)if d > t1[v][0]:continuevisited.add(v)for p in neighbors[v]:d1 = d + edges[v][p]print(f"v:{v} p:{p} d:{d} edges[v][p]:{edges[v][p]}")if p not in visited and (d1 < t1[p][0]):t1[p] = (d1, v)heapq.heappush(pq, (d1, p))return t1

Bellman-Ford算法

作用

上面的dijkstra算法只支持权重为正场景，对于有些权值为负的场景需要使用BellmanFord算法，该算法也是求单个顶点到到其余顶点的最短路径，如果存在负环路径，则不存在最短路径

实现原理

假设有如下图结构，求节点A到其他节点的最短距离，实现过程如下
在这里插入图片描述

首先需要准备一个最短路径前驱表t1, t1[v] 中包含顶点v到顶点A的最短距离以及顶点v的前驱节点。初始的时候 t1[‘A’] = (0, -1) 其他的t[v] = (正无穷，-1)
然后遍历所有的边，每遍历一个边(v1, v2)的时候，如果当前节点A到v1的t1[v1][0] + 当前边的权重w(v1->v2)小于当前t1[v2][0]，则更新v2的最短距离以及前驱节点
t1[v1][0] + w(v1->v2) < t1[v2][0]
上面的步骤最多执行n - 1次，如果中间有一次没有节点的最短距离需要更新，则说明所有A到所有节点的最短距离已经全部收敛，直接返回。
如果上面执行n- 1次，每次均存在节点的最短距离需要更新，则图中可能存在负权环，所谓负权环就是如下图所示，随着遍历次数的增加，A到C的距离只会越来越小-2， -3， -4等等，此时说明最短路径，那么只需要再遍历第n次，看看是否仍存在某个节点的最短路径被更新，如果被更新，则该节点存在负权环。