最短路——spfa

转自:https://blog.youkuaiyun.com/xunalove/article/details/70045815 

求单源最短路的SPFA算法的全称是:Shortest Path Faster Algorithm。 
    SPFA算法是西南交通大学段凡丁于1994年发表的。
    从名字我们就可以看出,这种算法在效率上一定有过人之处。 
    很多时候,给定的图存在负权边,这时类似Dijkstra等算法便没有了用武之地,而Bellman-Ford算法的复杂度又过高,SPFA算法便派上用场了。有人称spfa算法是最短路的万能算法。

    简洁起见,我们约定有向加权图G不存在负权回路,即最短路径一定存在。当然,我们可以在执行该算法前做一次拓扑排序,以判断是否存在负权回路。
    我们用数组dis记录每个结点的最短路径估计值,可以用邻接矩阵或邻接表来存储图G,推荐使用邻接表。

spfa的算法思想(动态逼近法):
    设立一个先进先出的队列q用来保存待优化的结点,优化时每次取出队首结点u,并且用u点当前的最短路径估计值对离开u点所指向的结点v进行松弛操作,如果v点的最短路径估计值有所调整,且v点不在当前的队列中,就将v点放入队尾。这样不断从队列中取出结点来进行松弛操作,直至队列空为止。 
    松弛操作的原理是著名的定理:“三角形两边之和大于第三边”,在信息学中我们叫它三角不等式。所谓对结点i,j进行松弛,就是判定是否dis[j]>dis[i]+w[i,j],如果该式成立则将dis[j]减小到dis[i]+w[i,j],否则不动。 
    下面举一个实例来说明SFFA算法是怎样进行的:




和广搜bfs的区别:
    SPFA 在形式上和广度(宽度)优先搜索非常类似,不同的是bfs中一个点出了队列就不可能重新进入队列,但是SPFA中一个点可能在出队列之后再次被放入队列,也就是一个点改进过其它的点之后,过了一段时间可能本身被改进(重新入队),于是再次用来改进其它的点,这样反复迭代下去。

算法描述:

void spfa(int s)
{
    memset(vis,0,sizeof(vis));//vis[i]=1表示i点在队列q中,反之不在
    memeset(dis,inf,sizeof(dis));//dis[i]表示i点到源点的最短距离
    queue<int>q;
    q.push(s);
    vis[s]=1;
    while(!q.empty())
    {
       int u=q.front();
       q.pop();
       vis[u]=0;
       for(i=head[u];i!=-1;i=eg[i].next)//eg[]是一个链表储存点和边的信息
       {
           int v=eg[i].to;
           int w=eg[i].w;
           if(dis[v]>dis[u]+w)
           {
               ans=min(ans,d[v]+d[u]);
               dis[v]=dis[u]+w;
               if(!vis[v])
               {
                  q.push(v);
                  vis[v]=1;
               }
           }
       }
    }
}

例题链接

### 关于洛谷 P1948 的分层短路径问题 #### 问题背景 洛谷 P1948 是一道典型的 **分层图短路径问题**。这类问题通常通过构建多个层次的图来模拟某些特殊条件下的状态转移,例如时间、费用或其他约束条件的变化。 --- #### 分层图的概念 分层图是一种扩展原图的方式,在原有基础上增加额外的状态维度(如层数)。每一层对应一种特定的状态或阶段,不同层之间可以通过某种规则相互连接[^3]。这种建模方式非常适合处理带有多重限制的短路径问题。 --- #### 解题思路分析 对于该问题的核心在于如何利用已知算法求解分层图中的短路径: 1. **模型转换** 将原始单层图转化为多层图,每层表示不同的状态变化。假设总共有 \( k \) 层,则每个节点会复制成 \( k \) 份,形成新的节点集合。相邻两层间按照题目给定的规则建立边的关系。 2. **适用算法选择** - 如果不存在负权边,可以采用 **Dijkstra 算法** 来高效求解。 ```python import heapq def dijkstra(graph, start_node): dist = {node: float('inf') for node in graph} dist[start_node] = 0 pq = [(0, start_node)] while pq: current_dist, u = heapq.heappop(pq) if current_dist > dist[u]: continue for v, weight in graph[u]: distance = current_dist + weight if distance < dist[v]: dist[v] = distance heapq.heappush(pq, (distance, v)) return dist ``` - 若存在负权边或者需要多次松弛操作验证更优解,则应选用 **Bellman-Ford 算法** 或其队列优化版本——**SPFA 算法**[^2]。 3. **初始化与边界条件** 设置初始点所在的具体位置以及目标终点的位置关系。特别需要注意的是,由于引入了更多虚拟节点和边,因此要仔细定义起始状态及其权重设置[^1]。 4. **复杂度考量** 构造后的分层图规模可能显著增大,需评估所选算法的时间开销是否会超出允许范围。一般情况下,\( O((V+E)\log V) \) 的 Dijkstra 性能优于线性的 Bellman-Ford (\(O(VE)\)) ,但在稀疏图上 SPFA 可能表现更好。 --- #### 示例实现代码 以下是基于 Python 的简单实现框架,展示如何应用上述方法解决问题: ```python from collections import deque, defaultdict def build_layered_graph(original_graph, layers_count, transition_rule): layered_graph = {} # 初始化各层节点并按规则连通它们 for layer in range(layers_count): for node in original_graph.keys(): key = (layer, node) if key not in layered_graph: layered_graph[key] = [] # 添加同层邻居 for neighbor, cost in original_graph[node]: next_key = (layer, neighbor) layered_graph[key].append((next_key, cost)) # 根据transition rule跨层链接 new_layer, extra_cost = transition_rule(layer, node) if new_layer >= 0 and new_layer < layers_count: cross_key = (new_layer, node) layered_graph[key].append((cross_key, extra_cost)) return layered_graph def spfa(graph, source): distances = defaultdict(lambda : float('inf')) predecessors = {} queue = deque() distances[source] = 0 queue.append(source) while queue: current = queue.popleft() for neighbor, edge_weight in graph.get(current, []): potential_new_distance = distances[current] + edge_weight if potential_new_distance < distances[neighbor]: distances[neighbor] = potential_new_distance predecessors[neighbor] = current if neighbor not in queue: queue.append(neighbor) return dict(distances), predecessors ``` --- #### 注意事项 - 转化过程中务必保持逻辑一致性,确保新增加的边满足实际意义; - 对大规模输入数据预估运行效率,必要时采取剪枝策略减少冗余运算; ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

2020/3/16

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值