DSAA之图论Dijkstra(贪婪算法)(五)

求图的最小生成树基于图论的贪心算法(切分性质和回路性质) 切分集合的概念 学习这部分内容首先要学习图这种数据类型的基本知识 生成树和最小生成树的应用:要连通n个城市需要n-1条边线路。可以把边上的权值解释为线路的造价。则最小生成树表示使其造价最小的生成树。 好了话不多说 概念:一个切分集合S1是由图S的顶点集合的子集构成比如要选取的S1是由e f g 构成的那么S1相对应的切分集(边的集合)必须满足有一个顶点在S1而另一个顶点不在S1之中所以满... 阅读详情

1. 前言

有网友把Dijkstra归为BFS算法,笔者觉得是不准确的,两者的差别在于每个阶段是否是最优选择,也就是是否达到局部最优,当然不保证全局最优。

2. 定义

  • We keep all of the same information as before. Thus, each vertex is marked as either known or unknown. A tentative distance dv is kept for each vertex, as before.
  • This distance turns out to be the shortest path length from s to v using only known vertices as intermediates. As before, we record pv, which is the last vertex to cause a change to dv.
  • The general method to solve the single-source shortest-path problem is known as Dijkstra’s algorithm. This thirty-year-old solution is a prime example of a greedy algorithm. Greedy algorithms generally solve a problem in stages by doing what appears to be the best thing at each stage.Dijkstra更加准确的归类为贪婪算法,也就是BFS的每阶段进行最优选择

第二点是最关键的区分BFS和Dijkstra的地方,前者对已经更新过的dv,不再进行更新。而后者**会根据当前处理的节点更新它周边的节点路径信息(如果当前节点提供的加权路径更短),也就是dv。**我想画图或者代码能够比较清楚的理解这点,在后文再提及这点。

2. 实现原理

  • Dijkstra’s algorithm proceeds in stages, just like the unweighted shortest-path algorithm. At each stage, Dijkstra’s algorithm selects a vertex v, which has the smallest dv among all the unknown vertices, and declares that the shortest path from s to v is known.
  • The remainder of a stage consists of updating the values of dw In the unweighted case, we set dw= dv+ 1 if dw =−∞-\infty−∞ . Thus, we essentially lowered the value of dw if vertex v offered a shorter path. If we apply the same logic to the weighted case, then we should set dw = dv+ cv,w if this new value for dw would be an improvement.
  • Put simply, the algorithm decides whether or not it is a good idea to use v on the path to w. The original cost, dw , is the cost without using v; the cost calculated above is the cheapest path using v (and only known vertices)

这里写图片描述
  为了理解这三点,笔者画了个简单的图。假设起始节点为1,上图为无权图,BFS最后的结果为1-2-4,1-3。而实际上我们通过观察图发现1-2,1-3-4也是可以的。因为BFS算法的特点,4在2节点是当前处理节点而被更新,所以在3节点被处理的时候直接忽略。**对于无权图来说,这是合理的。所以BFS的结果只是正确答案之一,但一定是正确的。**再看看有权图的情况:
  这里写图片描述
  经过Dijkstra算法得出的结果为1-3-4,1-2。上图该结果是唯一的,当处理3的时候,因为1-3-4的dv值更小,所以更新了4的dv值。Dijkstra算法认为1-3-4的路径要优于1-2-4的路径,所以将4的前一个节点变更为3。我相信看到这里就已经很清楚了,**Dijkstra因为每一步都做出最优选择,所以为贪婪算法。特别的当修改1-3的权重为10的时候,Dijkstra将不再按照BFS的遍历方式遍历。**所以把Dijkstra归类为BFS,严格上说是不正确的。

3. 第一种实现

同样还是伪代码,这里直接给出DSAA的实现,(当然这很虚,比如昨天笔者做网易的算法题,就是BFS。如果自己动手实现过一遍,肯定不虚的。)

void dijkstra( TABLE T ){
	vertex v, w;
	for( ; ; ){
		//选择当前未处理节点中距离开始节点最短的那个
     /*1*/v = smallest unknown distance vertex;
		if   dont find 
			break;
		T[v].known = TRUE;
		for each w adjacent to v
			if( !T[w].known )
				//如果当前known节点让邻接节点拥有更小的路径,则更新该邻接节点
				/*2*/if( T[v].dist + cv,w < T[w].dist ){ /* update w */
					decrease( T[w].dist to T[v].dist + cv,w);
					T[w].path = v;
				}
	}
}

1,2语句让Dijkstra区别于BFS而完全是贪婪算法。

时间复杂度分析:
  • The running time depends on how the table is manipulated, which we have yet to consider. If we use the obvious algorithm of scanning down the table to find the minimum dv, each phase will take O(∣V∣)O(|V|)O(∣V∣) time to find the minimum, and thus O(∣V∣2)O(|V|^2 )O(∣V∣2) time will be spent finding the minimum over the course of the algorithm.
  • The time for updating dw is constant per update, and there is at most one update per edge for a total of O(∣E∣)O(|E|)O(∣E∣). Thus, the total running time is O(∣E∣+∣V∣2)=O(∣V∣2)O(|E| + |V|^2 ) = O(|V|^2 )O(∣E∣+∣V∣2)=O(∣V∣2).
    • If the graph is dense, with ∣E∣=(∣V∣2)|E| = (|V|^2)∣E∣=(∣V∣2), this algorithm is not only simple but essentially optimal, since it runs in time linear in the number of edges.
  • If the graph is sparse, with ∣E∣=(∣V∣)|E| = (|V|)∣E∣=(∣V∣), this algorithm is too slow.

上面解释的大部分比较清楚,有几点理解困难的地方稍微强调下:

  • 每个边最多更新一次,虽然从算法上感觉好像每个顶点会被多次更新,但是注意顶点更新的是对应的边,比如:更新v2点,上一次是v1-v2,这次v3-v2。
  • 密集型图是指(最极端情况)任意一个顶点都和其他顶点连通,所以∣E∣=(∣V∣2)|E| = (|V|^2)∣E∣=(∣V∣2),这种情况下算法时间复杂度为边的线性函数。所以叫快速算法。
  • 但是稀疏型的图, ∣E∣=(∣V∣)|E| = (|V|)∣E∣=(∣V∣),此时O(∣V∣2)O(|V|^2 )O(∣V∣2)的时间复杂度让该算法成为较慢的选择。

4. 第二种实现(优先堆)

这里有两种选择,笔者只记录第二种插入的方法:

  • The alternate method is to insert w and the new value dw into the priority queue every time line 9 is executed. Thus, there may be more than one representative for each vertex in the priority queue. When the delete_min operation removes the smallest vertex from the priority queue, it must be checked to make sure that it is not already known.
  • Thus, line 2 becomes a loop performing delete_mins until an unknown vertex emerges.

DSAA没有给出伪代码,但是根据上面的原理,我们自己也能很快写出来伪代码:

void dijkstra( TABLE T )
{
	vertex v, w;
	//初始情况下,除了起始顶点dv为0,其他都是负无穷
	//特别的T应为
	/*struct cell{
	   int dv;
	   int pv;
	   int v;
	}的数组
	*/
	p_q.inital(T);
	for( ;! p_q.empty(); ){
	    v = p_q.delete_min()
	    if(T[v].known == TRUE)
		    continue;
		T[v].known = TRUE;
		for each w adjacent to v
			if( !T[w].known )
				//如果当前known节点让邻接节点拥有更小的路径,则更新该邻接节点
				/*9*/if( T[v].dist + cv,w < T[w].dist ){ /* update w */
					decrease( T[w].dist to T[v].dist + cv,w);
					T[w].path = v;
					//插入优先堆中
					p_q.insert(T[w]) 
				}
	}
}

上面算法的难理解的地方就是优先堆中可能存在重复的顶点,但是这不是问题,因为我们使用know标记每个顶点,又根据优先堆的特点,即使真的存在重复的顶点,也会被忽略。特别注意优先堆中最多可能存在∣E∣|E|∣E∣个顶点。

时间复杂度
  • Since ∣E∣≤∣V∣2|E| \leq |V|^2∣E∣≤∣V∣2 implies that log∣E∣≤2log∣V∣log|E| \leq 2 log |V|log∣E∣≤2log∣V∣. Thus, we still get an O(∣E∣log∣V∣)O(|E| log |V|)O(∣E∣log∣V∣) algorithm.
  • However, the space requirement does increase, and this could be important in some applications. Moreover, because this method requires ∣E∣|E|∣E∣ delete_mins instead of only ∣V∣|V|∣V∣, it is likely to be slower in practice.

理解上面的时间复杂度,还是需要自己亲手推导下:T(E,V)=O(∣E∣+∣E∣logV)=O(2log∣V∣+∣E∣logV)=O(∣E∣log∣V∣)T(E,V)=O(|E|+|E|logV)=O(2log|V|+|E|logV)=O(|E| log |V|)T(E,V)=O(∣E∣+∣E∣logV)=O(2log∣V∣+∣E∣logV)=O(∣E∣log∣V∣)。如果使用更加简略的计算方式:T(E,V)=O(∣E∣2logV)T(E,V)=O(|E|^2logV)T(E,V)=O(∣E∣2logV)。这个上界不好,因为其远远坏于最坏情况。(背包9讲中上界计算方式同理)

**5. 最后 **

我写这篇文章前,查阅很多资料,也看了其他网友的文章(大部分都没有经典书籍写的好)。我觉得理解想要深刻,必须多方面思考,多角度思考。费时间是真的,但是做一件事,就应该尽力做好。

到底什么叫贪心策略(内含几个经典贪心样例和三大图论算法) &#13; 昨天和前天写完了分治和dp,感觉收获真的挺大的,复习绝不是简单的重复记忆,而是将所学知识融会贯通的过程,分析各种思想的异同,这些都是在平时学习和刷题的时候没有认真考虑的问题好了,扯远了今天分析一下到底什么叫贪心策略怎么理解贪心:贪心在解决问题上是目光短浅的,仅仅根据当前的已知信息就做出选择,并且一旦做了选择,就不再更改比如01背包问题,用贪心的话是不可解决的,因为... 阅读详情

相关推荐

【图论学习笔记五】贪心算法

优化问题的算法通常会通过一系列的步骤,在每一个步骤通过一系列的选择。一个贪婪算法总是目前看起来最好的选择。也就是说,它

ZoomToday 2168

DSAA之补充冒泡排序和选择排序

1. 回顾   之前学习过的排序算法有:归并排序、堆排序、快速排序、快速选择排序、基数排序、桶排序、计数排序、希尔排序、插入排序。其中不稳定的排序算法为堆、快、希、直接选择(区分快速选择),其他都是稳定排序。现在补充两个基础排序算法:冒泡和直接选择排序。 2. 冒泡排序   比较简单,可以直接看代码: for(int i=0;i&amp;lt;nums.size();++i) //每次当前...

LoveStackover的博客 193

DSAA

介绍 鲁迅说过,算法不能太菜。

值得收藏!2024年人工智能顶级会议投稿信息汇总(大数据领域)

本文对大数据领域内的顶级会议进行了介绍,以便读者了解会议主题、截稿日期、录用通知时间、举办时间及地点等关键信息。同时还将相关会议信息汇总成一张表格,方便读者快速的查看大数据领域内的相关论文。

audyxiao001的博客 5706

图论模型及其算法以及贪心算法

这是一个曹立国老师关于图论算法的资料,介绍了信息学竞赛中常见的图论算法,我无意中获得的,拿来与大家,很有帮助的,希望能对你有帮助

DSAA_SUSTechACM:DSAA实践

DSAA DSAA实践 逐步更新 FastIO:用于数据输入和输出的快速输入/输出模板。

DSA(数字签名算法):DSA签名过程详解

DSA(Digital Signature Algorithm),即数字签名算法,是一种基于离散对数问题的公钥加密算法,主要用于数字签名。DSA由美国国家标准与技术研究院(NIST)提出,是联邦信息处理标准(FIPS)的一部分。DSA的安全性依赖于在大素数模意义下的离散对数问题的难度。

kkchenjj的博客 3378

生信入门(六)——单细胞分析(Seurat)

生信入门(六)——单细胞分析(Seurat) 文章目录生信入门(六)——单细胞分析(Seurat)一、数据导入1、数据来源2、数据导入二、标准预处理1、QC和选择细胞进行进一步分析2、规范化数据3、识别高度可变的特征(特征选择)4、缩放数据三、主成分分析(PCA)1、线性降维2、确定数据集的“维度”四、聚类细胞五、非线性降维(UMAP/tSNE)六、寻找差异表达的特征(簇生物标志物) 一、数据导入 1、数据来源 点击此处下载数据 数据说明:分析10X Genomics提供的外周血单细胞(PBMC)数据集,有

羊羊的博客 6万+

博客里《DSAA》相关文章的代码

《DSAA》,也就是《数据结构与算法分析-C语言描述》原书第二版,有关代码已放到以下位置:  https://github.com/sunxiaoou/dsaa

sun_xo的博客 407

工业场景落地:Java+PaddleOCR实现高性能OCR文字识别的终极方案

本文深度解析基于Java的高性能工业级OCR实现方案,集成PP-OCRv5深度学习模型,提供: ✅ 多场景支持:手写体、竖排文本、票据表格的精准识别 ✅ 工业级性能:毫秒级响应,支持GPU加速与高并发处理 ✅ 开箱即用:通过Maven快速集成,5行代码完成文字识别 ✅ 完整技术栈:覆盖文本检测、方向校正、识别后处理全流程 附可运行示例代码,助您快速构建企业级OCR系统!

deng775747758的博客 3612

BMS | 从一串到几百串硬件架构简介

锂电池在生活中越来越多的方面扮演能源的角色,除了大家熟知的电动汽车行业,在一些消费类,工业类电子产品比如手机,电动自行车,电动工具中都有应用,追本溯源今天我们一起来学习下最基础的BMS架构。 1~4串架构 以S8241为代表的无通信/无固件/模拟器件 可实现过充保护、过放保护、过流/短路,参数由器件后缀代码决定;通信类手持设备供电系统;1~4节电池保护板架构 如图使用S-8241系列保护IC,一对充放电MOS管控制充放电的回路的切断和接通,系统供电来自于电芯电压,VM引脚用于检测过...

ningvay的博客 9923

图论中的贪婪算法_最小生成树

没事怕手生了写写代码,看看图论中的一个题目,发现好久不写果然手生了不少。

aircattle的专栏 1414

cocos2dx中DrawNode画线锯齿和非凸多边形填充

记录一下在cocos2dx中使用DrawNode所遇到的2个问题 1.画线锯齿问题 ios版本下,在AppController.mm中设置CCEAGLView的multiSampling和numberOfSamples。如下图 CCEAGLView *eaglView = [CCEAGLView viewWithFrame: [window bounds]

hello-world 5416

图论与贪心算法

1. 图的顺序存储 //邻接矩阵 #define MaxVerterNum 100 typedef char VerterType; typedef int EdgeType; typedef struct { VerterType vexs[MaxVerterNum]; //存储顶点的一维数组 EdeType edges[MaxVerterNum][MaxVerterNu...

JasonCaine的博客 1196

Codex接入MATLAB MCP服务器:从配置到实战的全流程记录

模型上下文协议(MCP)为AI编程工具提供了连接外部软件的标准接口,就像给AI装上万能USB,使其能直接操控本地的复杂应用。在MATLAB这类闭源重型工具中,AI编程因许可证、工作区隔离而难以形成闭环,而通过官方MCP服务器,Codex能够调用MATLAB引擎执行代码、读取变量并返回图表结果,将代码生成与运行验证真正打通。这一方案在神经网络拟合、控制系统阶跃响应、图像处理以及hprof文件分析等工程场景中,能显著提升自动化效率。文章围绕Codex桌面版接入MATLAB MCP的全流程,涵盖环境准备、配置命令

weixin_33585822的博客 154

uniapp(vue3):实现手机拍照或相册图片上传后给图片添加水印,uniapp实现多端图片上传、拍照上传自定义插入水印内容,调用手机摄像头打开相机并在周围悬挂自定义水印(支持文字水印/图片水印等)

uni-app,h5移动端网页,微信小程序,支付宝小程序,Android安卓,苹果ios,app,nvue,uni-app为图片添加自定义水印(解决生成图片不全问题),uniapp上传图片添加水印,uniapp H5实现手机拍照或相册上传图像并添加自定义水印,uniapp水印相机,uni-app为图片添加自定义水印,怎么在图片上加水印,图片水印,上传照片带水印,从相册选择图片加水印功能,拍完照片给图片加水印,添加照片水印,uniapp图片加水印,为图片添加自定义水印,uni-app上传图片并添加水印,上传图

✅ 精选推荐文章 3266

《DSAA》 9.3.2 Dijkstra 算法

用 Dijkstra 算法求有向赋权图中任意节点到其他所有节点的最小路径,示例实现如下:

sun_xo的博客 481

KUKA机器人在自动运行时,动作不流畅,每个点位都有停顿的解决办法

KUKA机器人在自动运行时,动作不流畅,每个点位都有停顿的解决办法

Robot_PLC_HMI_Automation 4585

算法设计三(1)——用 Dijkstra 贪心算法求解单源最短路径问题(代码)

代码链接: pan.baidu.com/s/1w-VSMWmr9ntEWWdxZoD4Yw 码:jnlh 算法分析与设计第 3 次实验 时间 2020.5.16 实验名称 用 Dijkstra 贪心算法求解单源最短路径问题 实验目的 通过上机实验,要求掌握贪心算法的问题描述、...

weixin_43973089的博客 3607

【量化入门】Tushare库获取公募基金的历史净值

在本文中,我们将介绍如何使用Python的Tushare库获取公募基金的历史净值。

木头大左的博客 1146

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

图论的各种基本算法

本篇主要涉及到图论的基本算法,不包含有关最大流的内容。图论的大部分算法都是由性质或推论得出来的,想朴素想出来确实不容易。二分图(Is-Bipartite)一个图的所有顶点可以划分成两个子集,使所有的边的入度和出度顶点分别在这两个子集中。这个问题可以转换为上篇提到过的图的着色问题,只要看图是否能着2个颜色就行了。当然,可以回溯解决这个问题,不过对于着2个颜色可以BFS解决。同样,一维数组colors

数据与算法之美 1万+

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

【数据结构】常见的贪心算法使用场景

一、摇摆序列 1.1题目: ==========================author daiV================ 一个整数序列,如果两个相邻元素的差正好正负交替出现,则称该序列为摇摆序列。 一个小于两个元素的序列直接为摇摆序列; eg:{1,7,4,9,2,5},相邻元素的差为{6,-3,5,-7,3},该序列为摇摆序列 eg: {1,4,7,2,5},相邻元素的...

dai_wen的博客 6289

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

dijkstra算法_最短路径算法—Dijkstra算法详解

介绍对于dijkstra算法,很多人可能感觉熟悉而又陌生,可能大部分人比较了解bfs和dfs,而对dijkstra和floyd算法可能知道大概是图论中的某个算法,但是可能不清楚其中的作用和原理,又或许,你曾经感觉它很难,那么,这个时候正适合你重新认识它。Dijkstra能是干啥的?Dijkstra是用来求单源最短路径的就拿上图来说,假如直到的路径和长度已知,那么可以使用dijkstra算法计算南京...

weixin_39788960的博客 3534

dsaa

asd as

u010196337的博客 1092

Dijkstra算法详解(完美图解、趣学算法)

Dijkstra算法详解Dijkstra算法设计Dijkstra算法简介Dijkstra算法的基本思想Dijkstra贪心策略完美图解伪代码详解完整代码算法解析及优化拓展使用优先队列的完整代码相关题的题解写在最后的话 Dijkstra算法设计 Dijkstra算法简介 Dijkstra算法是解决**单源最短路径**问题的**贪心算法** 它先求出长度最短的一条路径,再参照该最短路径求出长度次短的一条路径 直到求出从源点到其他各个顶点的最短路径。 Dijkstra算法的基本思想 首先假定源点为u,顶点集合

qq_45776662的博客 12万+
上一篇: The Python Tutorial之Class(一)
下一篇: 算法补充之KMP作用原理(一)
LoveStackover
博客等级 码龄9年 14粉丝 57原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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