狄克斯特拉算法

狄克斯特拉算法是一种解决有向无环图(DAG)中加权最短路径问题的算法,适用于边权重为正的情况。它通过不断寻找并更新“最便宜”节点来逐步扩展最短路径。与广度优先搜索不同,狄克斯特拉算法在加权图中能找到总权数最小的路径。在含有负权重的图中,应使用贝尔曼-福特算法。

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

广度优先搜索,能够找出段数最少的路径。但是不能找出加权图的最短路径。

狄克斯特拉算法,能够解决加权图中最短路径的问题(即总权数最小的路径)。只适用于有向无环图。且边的权重不能为负(贝尔曼 • 福德算法(Bellman-Ford algorithm)可以解决权重为负的问题)。

在下图中如果采用广度优先搜索就会得到如下最短路径。但这条路并不是耗时最短的路径。下面我我们来看看狄克斯算法的解决思路。

路径

算法思路:

  1. 找出“最便宜”的节点,即可在最短时间内到达的节点。
  2. 更新该节点的邻居的开销。
  3. 重复这个过程,直到对图中的每个节点都这样做了 。
  4. 计算最终路径 。

根据下面的加权图,求解起点到终点的最短路径。

1536312616450

# 构造数据
graph = {}
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2 
graph["a"] = {}
graph["a"]["fin"] = 1
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5 
graph["fin"] = {}

# 构造路径关系
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None 

# 记录处理过的节点
processed = [] 

# 构造损失字典
costs = {}
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity 

def find_lowest_cost_node(costs):
    lowest_cost = float("inf")
    lowest_cost_node = None
    for node in costs:
        cost = costs[node]
        if cost < lowest_cost and node not in processed:
            lowest_cost = cost
            lowest_cost_node = node
    return lowest_cost_node


node = find_lowest_cost_node(costs)

while node is not None:
    cost = costs[node]
    neighbors = graph[node]
    for n in neighbors.keys():
        new_cost = cost + neighbors[n]
        if costs[n] > new_cost:
            costs[n] = new_cost
            parents[n] = node
    processed.append(node)
    node = find_lowest_cost_node(costs)
    
print(parents)

总结:

  • 广度优先搜索用于在非加权图中查找最短路径。
  • 狄克斯特拉算法用于在加权图中查找最短路径。
  • 仅当权重为正时狄克斯特拉算法才管用。
  • 如果图中包含负权边,请使用贝尔曼 • 福德算法。

参考

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