(HDU2066)一个人的旅行(dijkstra+多起点多终点)

本文介绍了如何利用Dijkstra算法解决起点和终点不唯一的图论问题。通过创建超级源点连接所有起点,并求解所有终点到超级源点的最短路径。代码示例展示了如何实现这一方法,适用于处理多起点多终点的最短路径查找问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目链接:Problem - 2066

分析:这是一个典型的多起点多终点的dijkstra问题, 思路就是新建一个超级源点(我设置的是10000),让这个源点到所有起点加一条权值为0的边,然后直接从源点开始跑dijkstra,求一下所有终点到远点的最小值即可。

如果有对超级源点原理不明白的同学可以看这里:超级源点使用技巧_AC__dream的博客-优快云博客_超级源点

超级源点就是用于解决这种起点终点不唯一的情况,当然这道题也可以再建立一个超级源点,让其与所有终点连一条长度为0的边,然后直接求两个源点之间的最短距离即可。

下面是代码:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#include<queue>
#include<vector>
using namespace std;
const int N=1e5+10;
int h[N],e[N],ne[N],d[N],w[N],idx;
typedef pair<int,int>PII;
bool vis[N];
void add(int x,int y,int z)
{
	e[idx]=y;
	w[idx]=z;
	ne[idx]=h[x];
	h[x]=idx++;
}
void dijkstra(int x)
{
	memset(d,0x3f,sizeof d);
	d[x]=0;
	priority_queue<PII,vector<PII>,greater<PII> >q;
	q.push({0,x});
	while(!q.empty())
	{
		int begin=q.top().second;
		q.pop();
		if(vis[begin]) continue;
		vis[begin]=true;
		for(int i=h[begin];i!=-1;i=ne[i])
		{
			int j=e[i];
			if(d[j]>d[begin]+w[i])
			{
				d[j]=d[begin]+w[i];
				q.push({d[j],j});
			}
		}
	}
}
int main()
{
	int T,S,D; 
	while(scanf("%d%d%d",&T,&S,&D)!=EOF)
	{
		memset(vis,false,sizeof vis);
		memset(h,-1,sizeof h);
		int u,v,W;
		for(int i=1;i<=T;i++)
		{
			scanf("%d%d%d",&u,&v,&W);
			add(u,v,W);add(v,u,W);
		}
		for(int i=1;i<=S;i++)
		{
			scanf("%d",&u);
			add(10000,u,0);
		}
		vector<int> p;
		for(int i=1;i<=D;i++)
		{
			scanf("%d",&u);
			p.push_back(u);
		}
		int ans=0x3f3f3f3f;
		dijkstra(10000);
		for(int i=0;i<p.size();i++)
			ans=min(ans,d[p[i]]);
		printf("%d\n",ans);
	}
	return 0;
}

### Dijkstra算法个最短路径的处理 当使用Dijkstra算法计算单源最短路径时,通常会遇到某些目标节点可能存在条等价的最短路径的情况。在这种场景下,传统的仅通过`pre[]`数组记录单一前驱节点的方式无法完全描述这些情况。因此,为了应对这种复杂性,可以采用更灵活的数据结构来存储和管理所有可能的最短路径。 #### 数据结构的选择 一种常见的方法是利用邻接表或链表的形式扩展原有的`pre[]`数组设计。具体来说,对于每一个顶点 \(v\) ,我们可以维护一个列表 `pre[v]` 来保存其所有可能的前驱节点集合,而不是仅仅保留一个唯一的前驱节点[^3]。这样做的好处在于能够捕捉到从起点到达某个特定节点的所有潜在最优路径组合。 #### 记录过程中的调整 在执行标准版Dijkstra的过程中,每当发现新的候选最短路径长度等于已知的最佳值时,则应将对应的中间节点加入到终点对应位置上的前导者集合里去。如果新探测出来的距离小于现有的记录数值的话,那么不仅要更新该节点的距离属性还需要清空并重新初始化它的前任节点集合作为最新的唯一选项。 #### 后续分析与决策制定 一旦完成了整个图上各点相对于固定起始点而言的全部最短路程探索之后,就可以基于所积累下来的重前身关系构建完整的路线网络。此时可以根据额外设定的标准进一步筛选最佳解答,例如选取其中使得总边权最大的那条线路等等。此阶段往往涉及到深度优先搜索(DFS)技术的应用以便穷尽各种可能性进而得出结论。 ```python from collections import defaultdict, deque def dijkstra_multi_paths(graph, start): dist = {node: float('inf') for node in graph} prevs = defaultdict(list) # List of predecessors for each node. queue = [] visited = set() dist[start] = 0 while True: current_min_node = None min_distance = float('inf') for node in graph.keys(): if node not in visited and dist[node] < min_distance: min_distance = dist[node] current_min_node = node if current_min_node is None or min_distance == float('inf'): break visited.add(current_min_node) for neighbor, weight in graph[current_min_node]: distance = min_distance + weight if distance < dist[neighbor]: dist[neighbor] = distance prevs[neighbor].clear() # Clear previous entries as we found a better path. prevs[neighbor].append(current_min_node) elif distance == dist[neighbor]: prevs[neighbor].append(current_min_node) return dist, dict(prevs) # Example usage with adjacency list representation where edges are tuples (destination, weight). graph_example = { 'A': [('B', 1), ('C', 4)], 'B': [('C', 2), ('D', 6)], 'C': [('E', 7)], 'D': [], 'E': [] } distances, predecessors = dijkstra_multi_paths(graph_example, 'A') print("Distances:", distances) print("Predecessors:", predecessors) ```
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
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