Dijkstra算法

#include<iostream>
#include<vector>
#include<algorithm>
#include<queue>
#include<list>
#include<climits>
using namespace std;
struct edge_node{
  int dest_id;
  int weight;
 
  edge_node(int dest_id, int weight)
    :dest_id(dest_id), weight(weight) {}

};

struct graph_ad_list{
   vector<list<edge_node> > ad_list;

  //n is the number of nodes
  graph_ad_list(int n):ad_list(n) {}

  void add_edge(int source, int dest, int weight){
    edge_node new_edge(dest, weight);
    ad_list[source].push_back(new_edge);
  }

  void dump(){
    //for each node
    for(int i = 0; i < ad_list.size(); i ++){
      //for each edge
      for(list<edge_node>::iterator     pos = ad_list[i].begin(); pos!=ad_list[i].end(); pos++){
        cout << "edge from " << i << " to " << pos->dest_id;
           cout << " weight: " << pos->weight << endl;
      }
    }
  }
};

struct node{
    int id;
    int dist;
    int prev;
    bool processed;
    node():dist(INT_MAX),prev(-1),processed(false){}
};
struct compare_node{
    bool operator()(node&a,node&b)
    {
        return a.dist>b.dist;
    }
};
vector<node> dijkstra(graph_ad_list &g,int source)
{
    /*传入一个链接表,把表中的每一个节点取出,存放在vector集合中*/
    int node_count = g.ad_list.size();
    vector<node> nodes(node_count);
    for(int i=0;i<node_count;i++)
    {
        nodes[i].id=i;
    }
    nodes[source].dist=0;
    /*采用优先级队列,把队列从出发点,到当前位置距离最短的点,放在对头*/
    priority_queue<node,vector<node>,compare_node> node_pq;
    node_pq.push(nodes[source]);
    while(!node_pq.empty())
    {
        node current_node = node_pq.top();
        node_pq.pop();
        if(current_node.processed)
        continue;
        list<edge_node> edge_nodes = g.ad_list[current_node.id];
        /*遍历链接表中每一列*/
        for(list<edge_node>::iterator edge_pos=edge_nodes.begin();edge_pos!=edge_nodes.end();edge_pos++){
            /*取出当前结点的下一个结点*/
            node& dest_node = nodes[edge_pos->dest_id];
            /*判断该节点加上该节点到下一个点的距离,是否大于下一个节点的,最小距离*/
            if(current_node.dist+edge_pos->weight<dest_node.dist)
            {
                dest_node.dist = current_node.dist+edge_pos->weight;
                dest_node.prev = current_node.id;
                node_pq.push(dest_node);
            }
        }
        current_node.processed= true;
    }
    return nodes;
}
void print_path(vector<node>&nodes,int node_id)
{
    if(nodes[node_id].prev==-1)
    {
        cout<<"path:"<<node_id;
    }else
    {
        print_path(nodes,nodes[node_id].prev);
        cout<<"->"<<node_id;
    }
}
int main()
{
    graph_ad_list g(9);
    g.add_edge(0,1,2);
    g.add_edge(0,3,9);
    g.add_edge(0,4,6);
    g.add_edge(1,2,1);
    g.add_edge(1,4,3);
    g.add_edge(2,6,6);
    g.add_edge(3,7,4);
    g.add_edge(4,3,2);
    g.add_edge(4,5,9);
    g.add_edge(5,6,5);
    g.add_edge(5,8,1);
    g.add_edge(6,8,5);
    vector<node> result = dijkstra(g,0);
    for(int i=0;i<result.size();i++)
    {
        cout<<"print path and dist for node"<< result[i].id<<endl;
        print_path(result,result[i].id);
        cout<<endl<<"Dist"<<result[i].dist<<endl;
    }
    return 0;    
}
当前,全球经济格局深刻调整,数字化浪潮席卷各行各业,智能物流作为现代物流发展的必然趋势和关键支撑,正迎来前所未有的发展机遇。以人工智能、物联网、大数据、云计算、区块链等前沿信息技术的快速迭代与深度融合为驱动,智能物流不再是传统物流的简单技术叠加,而是正在经历一场从自动化向智能化、从被动响应向主动预测、从信息孤岛向全面互联的深刻变革。展望2025年,智能物流系统将不再局限于提升效率、降低成本的基本目标,而是要构建一个感知更全面、决策更精准、执行更高效、协同更顺畅的智慧运行体系。这要求我们必须超越传统思维定式,以系统化、前瞻性的视角,全面规划和实施智能物流系统的建设。本实施方案正是基于对行业发展趋势的深刻洞察和对未来需求的精准把握而制定。我们的核心目标在于:通过构建一个集成了先进感知技术、大数据分析引擎、智能决策算法和高效协同平台的综合智能物流系统,实现物流全链路的可视化、透明化和智能化管理。这不仅是技术层面的革新,更是管理模式和服务能力的全面提升。本方案旨在明确系统建设的战略方向、关键任务、技术路径和实施步骤,确保通过系统化部署,有效应对日益复杂的供应链环境,提升整体物流韧性,优化资源配置效率,降低运营成本,并最终为客户创造更卓越的价值体验。我们致力于通过本方案的实施,引领智能物流迈向更高水平,为构建现代化经济体系、推动高质量发展提供强有力的物流保障。
### 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