做了一道跑大数据的最短路挂了,基于vector的二维模拟邻接表实现Dijkstra算法(*【模板】)...

本文详细介绍了一种使用Dijkstra算法寻找图中两点间最短路径的方法。通过C++代码实现,展示了如何初始化图结构、更新距离矩阵及遍历过程。适用于初学者理解Dijkstra算法原理及其在实际编程中的应用。

代码:

     

#include <stdio.h>
#include <string.h>
#include <string>
#include <vector>
#include <algorithm>
#define INF 2100000000

using namespace std;
int n;
struct node
{
    int dd;
    int w;
}t;
vector<node>q[500001];
unsigned int dis[500001];
bool vis[500001];

void Dijkstra(int s, int e)
{

    int i, j;
    memset(vis, false, sizeof(vis));

    for(i=0; i<=n; i++)
    {
        dis[i] = INF;
    }

    int len=q[s].size();
    for(i=0; i<len; i++)
    {
        if(q[s][i].w < dis[q[s][i].dd] )
            dis[q[s][i].dd]=q[s][i].w; //从起点开始的dis数组更新
    }
    vis[s]=true;

    for(int k=0; k<n-1; k++)
    {
        int pos, mm=INF;
        for(i=1; i<=n; i++)
        {
            if( !vis[i] && dis[i]<mm )
            {//当前节点未被访问过且权值较小
                mm=dis[i]; pos=i;
            }
        }
        vis[pos]=true;

        //再次更新dis数组
        len=q[pos].size();
        for(j=0; j<len; j++)
        {
            if( !vis[q[pos][j].dd] && dis[ q[pos][j].dd ]>q[pos][j].w+dis[pos] )
                dis[q[pos][j].dd ] = q[pos][j].w + dis[pos];
        }
    }
    printf("%d\n", dis[e] );
}


int main()
{
    int m;
    int i;
    int u,v, w;
    int s, e;

    while(scanf("%d %d", &n, &m)!=EOF)
    {
        for(i=0; i<=n; i++)
            q[i].clear();
        for(i=0; i<m; i++)
        {
            scanf("%d %d %d", &u, &v, &w);
            t.dd=v; t.w=w;
            q[u].push_back(t);
            t.dd=u; t.w=w;
            q[v].push_back(t);
        }
        scanf("%d %d", &s, &e);
        Dijkstra(s, e);
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/yspworld/p/4242671.html

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决佳化的搜索算法,是进化算法的一种。 进化算法初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的小值,其中每个变量的取值区间都是 [-1, ...
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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