Dijkstra算法

博客主要围绕迪杰斯特拉(Dijkstra)算法展开,介绍了该算法用于求到各顶点的最短路径,属于信息技术领域的算法相关内容。

迪杰斯特拉(Dijkstra)算法求到各顶点的最短路径

#include<iostream>
#include<stdlib.h>

#define MAXINT  100000000
using namespace std;


void ShortestPath_Dijkstra(int **G, int n, int v)
{
	if ( v >= n ) return;
	bool S[n]; //标记顶点i是否求从源点到顶点的最短路径 
	int path[n]; //保存从源点v到顶点i的前驱 
	int D[n]; //保存当前各顶点到源点的最短路径长度 
	/******************初始化*********************/
	for(int i=0; i < n; i++)
	{
		S[i] = false;
		int d = *((int*) G+v*n+i );
		if ( d < MAXINT)
		{
			path[i] = v;
			D[i] = d;
		}else
		{
			D[i] = MAXINT;
			path[i] = -1;
		}
	}
	S[v] = true;
	D[v] = 0;
	/**********************初始化完成**********************/ 
	for( int i = 1; i < n; i++ )
	{
		int min = MAXINT;
		int vk;
		// 找出最短路径的一个顶点标记为true 
		for (int j = 0; j < n; j++ )
		{
			if ( !S[j] && D[j] < min )
			{
				min = D[j];
				vk = j;
			}
		}
		S[vk]  = true;
		
		//更新未求出最短路径的顶点的路径长度(新最短路径顶点被找到)
		 for (int j = 0; j < n; j++ )
		 {
		 	// <v,vk>+<vk,j> < D[j]
		 	if ( !S[j] && ( D[vk] + *((int*) G+vk*n+j )) < D[j]  ) 
		 	{
		 		D[j] = D[vk] + *((int*) G+vk*n+j ); //更新距离 
		 		path[j] = vk; //更新前驱 
			}
		 }
	}
	
	for (int i = 0; i < n; i++ )
		cout<<D[i] << " " ;
	cout<<endl;
	for (int i=0; i < n; i++ )
		cout<< path[i]<<"->"<<i<<endl;
}

int main(void) 
{
    //邻接矩阵
	int graph[6][6] = 
	{
		{ MAXINT, MAXINT, 10, MAXINT, 30, 100 },
		{ MAXINT, MAXINT, 5, MAXINT, MAXINT, MAXINT },
		{ MAXINT, MAXINT, MAXINT, 50, MAXINT, MAXINT },
		{ MAXINT, MAXINT, MAXINT, MAXINT, MAXINT, 10 },
		{ MAXINT, MAXINT, MAXINT, 20, MAXINT, 60 },
		{ MAXINT, MAXINT, MAXINT, MAXINT, MAXINT, MAXINT } 
	};
	
	ShortestPath_Dijkstra((int **)graph, 6, 0);
	
	return 0;
}

 

### Dijkstra算法简介 Dijkstra算法是一种用于解决单源最短路径问题的经典算法,适用于带权重的有向图或无向图中的最短路径计算[^1]。该算法的核心思想是从起始节点出发,逐步扩展已知距离最小的未访问节点,并更新其邻居节点的距离。 --- ### Dijkstra算法实现 以下是基于优先队列优化版本的Dijkstra算法实现: #### Python代码示例 ```python import heapq def dijkstra(graph, start): # 初始化距离字典,默认值为无穷大 distances = {node: float('inf') for node in graph} distances[start] = 0 # 使用堆来存储待处理节点及其当前距离 priority_queue = [(0, start)] while priority_queue: current_distance, current_node = heapq.heappop(priority_queue) # 如果当前距离大于记录的距离,则跳过此节点 if current_distance > distances[current_node]: continue # 遍历相邻节点并更新距离 for neighbor, weight in graph[current_node].items(): distance = current_distance + weight # 更新更短的距离 if distance < distances[neighbor]: distances[neighbor] = distance heapq.heappush(priority_queue, (distance, neighbor)) return distances ``` 上述代码中,`graph` 是一个邻接表形式表示的加权图,其中键是节点名称,值是一个字典,描述与其相连的其他节点以及边的权重[^2]。 --- ### Dijkstra算法的应用场景 1. **网络路由协议** 在计算机网络中,路由器可以利用Dijkstra算法找到到达目标地址的最佳路径,从而提高数据传输效率[^3]。 2. **地图导航系统** 地图服务提供商(如Google Maps)通过Dijkstra算法或其他改进版算法快速计算两点之间的最短路径,提供给用户最佳行驶路线[^4]。 3. **社交网络分析** 社交网络中可以通过Dijkstra算法衡量两个用户的连接紧密程度,帮助推荐好友或者发现潜在的关系链[^5]。 4. **物流配送规划** 物流公司使用类似的最短路径算法优化货物运输线路,减少成本和时间消耗[^6]。 --- ### 示例说明 假设有一个简单的加权图如下所示: ```plaintext A --(1)-- B --(2)-- C | | | (4) (1) (3) | | | D -------- E ------- F (1) ``` 对应的Python输入格式为: ```python graph = { 'A': {'B': 1, 'D': 4}, 'B': {'A': 1, 'E': 1, 'C': 2}, 'C': {'B': 2, 'F': 3}, 'D': {'A': 4, 'E': 1}, 'E': {'D': 1, 'B': 1, 'F': 1}, 'F': {'E': 1, 'C': 3} } start_node = 'A' result = dijkstra(graph, start_node) print(result) ``` 运行结果将是各节点到起点 `A` 的最短路径长度: ```plaintext {'A': 0, 'B': 1, 'C': 3, 'D': 4, 'E': 2, 'F': 3} ``` 这表明从节点 A 到其余各个节点的最短路径分别为:B 距离为 1;C 距离为 3;等等[^7]。 ---
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