单源最短路径问题
问题描述:给你一个顶点做源点,你想要知道,如何从源点到达其他所有点的最短路径。
OK,这个问题看起来没什么用。我们一般想知道的是A点到B点的最短路径,这个单源最短路径问题告诉我们A点到所有点的最短路径,会不会计算过多了呢?
有趣的是,解决A点到B点的最短路径算法不会比单源最短路径问题简单,我们所知的求A点到B点的最短路径算法就是求A点到任何点的最短路径。我们除了这样做,好像也没什么好办法了。
Dijkstra算法
基本原理:
每次新扩展一个距离最短的点,更新与其相邻的点的距离。当所有边权都为正时,由于不会存在一个距离更短的没扩展过的点,所以这个点的距离永远不会再被改变,因而保证了算法的正确性。不过根据这个原理,用Dijkstra求最短路的图不能有负权边,因为扩展到负权边的时候会产生更短的距离,有可能就破坏了已经更新的点距离不会改变的性质。
适用条件与限制:
- 有向图和无向图都可以使用本算法,无向图中的每条边可以看成相反的两条边。
- 用来求最短路的图中不能存在负权边。(可以利用拓扑排序检测)
算法流程:
在以下说明中,s为源,w[u,v]为点u和v之间的边的长度,结果保存在dist[]
- 初始化:源的距离dist[s]设为0,其他的点距离设为正无穷大,同时把所有的点的状态设为没有扩展过。
- 循环n-1次:
- 在没有扩展过的点中取距离最小的点u,并将其状态设为已扩展。
- 对于每个与u相邻(有向图只kao虑出度)的点v,执行Relax(u,v),也就是说,如果dist[u]+w[u,v]<dist[v],那么把dist[v]更新成更短的距离dist[u]+w[u,v]。此时到点v的最短路径上,前一个节点即为u。
- 结束。此时对于任意的u,dist[u]就是s到u的距离。
执行动画过程如下图:
实例:
用Dijkstra算法找出以A为起点的单源最短路径步骤如下
代码:
我们在OJ上完成这个算法:http://acm.hdu.edu.cn/showproblem.php?pid=1874
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.StreamTokenizer;
public class Main
{
static int[][] v = new int[201][201];
static int[] dist = new int[201];
static boolean[] visit = new boolean[201];
public static void main(String[] args) throws IOException
{
StreamTokenizer in = new StreamTokenizer(new BufferedReader(
new InputStreamReader(System.in)));
int n, m, begin, end;
while (in.nextToken() != StreamTokenizer.TT_EOF)
{
n = (int) in.nval;
in.nextToken();
m = (int) in.nval;
init(n);
for (int i = 0; i < m; i++)
{
in.nextToken();
int a = (int) in.nval;
in.nextToken();
int b = (int) in.nval;
in.nextToken();
int d = (int) in.nval;
if (d < v[a][b])
{
v[a][b] = d;
v[b][a] = d;
}
}
in.nextToken();
begin = (int) in.nval;
in.nextToken();
end = (int) in.nval;
if (begin == end)
{
System.out.println("0");
continue;
}
dist[begin] = 0;
visit[begin] = true;
dijkstra(begin, n);
if (!visit[end])
{
System.out.println("-1");
}
else
{
System.out.println(dist[end]);
}
}
}
public static void init(int n)
{
for (int i = 0; i < n; i++)
{
visit[i] = false;
for (int j = 0; j < n; j++)
{
v[i][j] = 10000;
}
}
}
public static void dijkstra(int s, int n)
{
for (int i = 0; i < n; i++)
{
dist[i] = v[s][i];
}
for (int i = 0; i < n - 1; i++)
{
int min = 10000;
int index = 0;
for (int j = 0; j < n; j++)
{
if (!visit[j] && dist[j] < min)
{
min = dist[j];
index = j;
}
}
visit[index] = true;
for (int j = 0; j < n; j++)
{
if (!visit[j] && dist[index] + v[index][j] < dist[j])
{
dist[j] = dist[index] + v[index][j];
}
}
}
}
}
可以看出时间复杂度为
O(v^2)。有没有更快的方法呢?
由于每次都要找到未访问的点中距离最小的点,我们使用优先队列来解决这个问题,关于优先队列请查看这篇Blog。以下是利用优先队列实现的算法
public static void dijkstrapq(int s, int n)
{
class Item implements Comparable<Item>
{
public int idx;
public int weight;
public Item(int idx, int weight)
{
this.idx = idx;
this.weight = weight;
}
@Override
public int compareTo(Item item)
{
if (this.weight == item.weight)
{
return 0;
}
else if (this.weight < item.weight)
{
return -1;
}
else
{
return 1;
}
}
}
PriorityQueue<Item> pq = new PriorityQueue<Item>();
for (int i = 0; i < n; i++)
{
dist[i] = v[s][i];
if (i != s)
{
pq.offer(new Item(i, dist[i]));
}
}
Item itm = null;
while (!pq.isEmpty())
{
itm = pq.poll();
int index = itm.idx;
int weight = itm.weight;
if (weight == 10000)
{
break;
}
visit[index] = true;
for (int j = 0; j < n; j++)
{
if (!visit[j] && dist[index] + v[index][j] < dist[j])
{
dist[j] = dist[index] + v[index][j];
pq.offer(new Item(j, dist[j]));
}
}
}
}
如果是稠密图(边比点多),则直接扫描所有未收录顶点比较好,即第一种方法,每次O(V),总体算法复杂度T=O(V^2+E)
如果是稀疏图(边比点少),则使用优先队列(最小堆)比较好,即第二种方法,每次O(logV),插入更新后的dist,O(logV)。总体算法复杂度T=O(VlogV+ElogE)
当然还有更加优秀的斐波那契堆,时间复杂度为 O(e+vlogv)
无权值(或者权值相等)的单源点最短路径问题,Dijkstra算法退化成BFS广度优先搜索。
那么,为什么BFS会比Dijkstra在这类问题上表现得更加好呢?
1. BFS使用FIFO的队列来代替Dijkstra中的优先队列(或者heap之类的)。
2. BFS不需要在每次选取最小结点时判断其他结点是否有更优的路径。
BFS的时间复杂度为O(v+e)
Bellman-Ford算法
Dijkstra很优秀,但是使用Dijkstra有一个最大的限制,就是不能有负权边。而Bellman-Ford适用于权值可以为负、无权值为负的回路的图。这比Dijkstra算法的使用范围要广。其基本思想为:首先假设源点到所有点的距离为无穷大,然后从任一顶点u出发,遍历其它所有顶点vi,计算从源点到其它顶点vi的距离与从vi到u的距离的和,如果比原来距离小,则更新,遍历完所有的顶点为止,即可求得源点到所有顶点的最短距离。
Bellman-Ford算法可以大致分为三个部分
- 第一,初始化所有点。每一个点保存一个值,表示从原点到达这个点的距离,将原点的值设为0,其它的点的值设为无穷大(表示不可达)。
- 第二,进行循环,循环下标为从1到n-1(n等于图中点的个数)。在循环内部,遍历所有的边,进行松弛计算。
- 第三,遍历途中所有的边(edge(u,v)),判断是否存在这样情况:d(v) > d (u) + w(u,v)。则返回false,表示途中存在从源点可达的权为负的回路。
对有向带权图G = (V, E),从顶点s起始,利用Bellman-Ford算法求解各顶点最短距离,算法描述如下:
for(int k=1;k<=n-1;k++)//遍历点的次数
{
for(int i=1;i<=m;i++)//遍历边的次数
{
if(dis[v[i]]>dis[u[i]]+w[i])//如果从u到v的距离能够通过w这条边压缩路径 就要进行松弛操作
{
dis[v[i]]=dis[u[i]]+w[i];
}
}
}
很明显Bellman-Ford算法复杂度为O(VE),比Dijkstra要慢,但是解决了负权值问题。
图解:
当然不用总是松弛E次,可能远小于E次时,所有边都不能松弛了。所以加个check来优化,如果每个边都没松弛,就break。
for(int k=1;k<=n-1;k++)
{
check=0;//用check检查是否进行下一轮次的操作
for(int i=1;i<=m;i++)
{
if(dis[v[i]]>dis[u[i]]+w[i])
{
dis[v[i]]=dis[u[i]]+w[i];
check=1;
}
}
if(check==0)break;
}
我们一直说的是有向图的松弛,如果是无向图则要松弛两次(因为A到B有边,那么B到A也有边)
for(int k=1;k<=n-1;k++)
{
check=0;
for(int i=1;i<=m;i++)
{
if(dis[v[i]]>dis[u[i]]+w[i])
{
dis[v[i]]=dis[u[i]]+w[i];
check=1;
}
if(dis[u[i]]>dis[v[i]]+w[i])
{
dis[u[i]]=dis[v[i]]+w[i];
check=1;
}
}
if(check==0)break;
}
代码:
我们在OJ上验证这个算法:http://acm.hdu.edu.cn/showproblem.php?pid=2544
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.StreamTokenizer;
public class Main
{
static int[] begin = new int[121212];
static int[] end = new int[121212];
static int[] wight = new int[121212];
static int[] dist = new int[121212];
public static void main(String[] args) throws IOException
{
StreamTokenizer in = new StreamTokenizer(new BufferedReader(
new InputStreamReader(System.in)));
int n, m;
while (in.nextToken() != StreamTokenizer.TT_EOF)
{
n = (int) in.nval;
in.nextToken();
m = (int) in.nval;
init(n);
if (n == 0 || m == 0)
{
break;
}
for (int i = 1; i <= m; i++)
{
in.nextToken();
int a = (int) in.nval;
in.nextToken();
int b = (int) in.nval;
in.nextToken();
int d = (int) in.nval;
begin[i] = a;
end[i] = b;
wight[i] = d;
if (a == 1)
{
dist[b] = d;
}
if (b == 1)
{
dist[a] = d;
}
}
bellmanFord(n, m);
System.out.println(dist[n]);
}
}
private static boolean bellmanFord(int n, int m)
{
dist[1] = 0;
int check;
for (int i = 1; i <= n - 1; i++)
{
check = 0;
for (int j = 1; j <= m; j++)
{
int b = begin[j];
int e = end[j];
if (dist[b] + wight[j] < dist[e])
{
check = 1;
dist[e] = wight[j] + dist[b];
}
if (dist[e] + wight[j] < dist[b])
{
check = 1;
dist[b] = wight[j] + dist[e];
}
}
if (check == 0)
{
break;
}
}
return true;
}
public static void init(int n)
{
for (int i = 1; i <= n; i++)
{
dist[i] = 9999999;
}
}
}
OJ上的这个题目没有负值环,Bellman-Ford是可以检查负值环的,就如上面所说,最后再遍历一遍边,如果还能松弛,说明有负值环。
for (int j = 1; j <= m; j++)
{
int b = begin[j];
int e = end[j];
if (dist[b] + wight[j] < dist[e])
{
return false;
}
if (dist[e] + wight[j] < dist[b])
{
return false;
}
}
SPFA算法
SPFA算法维护一个队列,里面存放所有需要进行迭代的点。初始时队列中只有一个点S。用一个布尔数组记录每个点是否处在队列中。
SPFA算法可以分为大致3步
- 初始化阶段除了和Bellman-ford算法相同的地方外,还要加上将源点S入队,并且在判断点是否在队列中的数组上做标记(inside[1] = 1)
- 进行迭代,每次迭代,取出队头的点v,遍历所有与v相连的边,进行松弛操作,如果能够松弛并且该点不在队列中,就将它放入队尾。这样一直迭代下去直到队列变空。
- 若一个点入队次数超过n,则有负权环。
SPFA 在形式上和宽度优先搜索非常类似,不同的是宽度优先搜索中一个点出了队列就不可能重新进入队列,但是SPFA中一个点可能在出队列之后再次被放入队列,也就是一个点改进过其它的点之后,过了一段时间可能本身被改进,于是再次用来改进其它的点,这样反复迭代下去。
代码:
我们在OJ上验证这个算法:http://acm.hdu.edu.cn/showproblem.php?pid=2544
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.StreamTokenizer;
import java.util.LinkedList;
import java.util.Queue;
public class Main
{
static int[][] v = new int[101][101];
static int[] dist = new int[101];
static int[] inside = new int[101];
static Queue<Integer> queue;
public static void main(String[] args) throws IOException
{
StreamTokenizer in = new StreamTokenizer(new BufferedReader(
new InputStreamReader(System.in)));
int n, m;
while (in.nextToken() != StreamTokenizer.TT_EOF)
{
n = (int) in.nval;
in.nextToken();
m = (int) in.nval;
init(n);
if (n == 0 || m == 0)
{
break;
}
for (int i = 1; i <= m; i++)
{
in.nextToken();
int a = (int) in.nval;
in.nextToken();
int b = (int) in.nval;
in.nextToken();
int d = (int) in.nval;
v[a][b] = d;
v[b][a] = d;
}
SPFA(n);
System.out.println(dist[n]);
}
}
private static void SPFA(int n)
{
queue.add(1);
inside[1] = 1;
dist[1] = 0;
while (!queue.isEmpty())
{
int top = queue.poll();
inside[top] = 0;
for (int i = 1; i <= n; i++)
{
if (v[top][i] < 9999999)
{
if (dist[top] + v[top][i] < dist[i])
{
dist[i] = dist[top] + v[top][i];
if (inside[i] == 0)
{
queue.add(i);
inside[i] = 1;
}
}
}
}
}
}
public static void init(int n)
{
for (int i = 1; i <= n; i++)
{
dist[i] = 9999999;
inside[i] = 0;
for (int j = 1; j <= n; j++)
{
v[i][j] = 9999999;
}
}
queue = new LinkedList<Integer>();
}
}
由于上述代码使用邻接矩阵来存储,所以在遍历与某点相连的边时,复杂度较高。如果将其改成邻接表来实现会更加明显。
在平均情况下,SPFA算法的期望时间复杂度为O(E)。但是这一说法有争议,在这里就不讨论了,总之SPFA是一种Bellman-Ford算法的优化。
多源最短路径问题
我们已经介绍了3种解决单源最短路径问题的算法,那么多源最短路径问题该怎么解决呢?
很明显有一种方法就是,将单源最短路径问题使用N次,那么使用普通的Dijkstra算法的时间复杂度为T=O(V^3+V*E),对于稀疏图的效果比较好。
而第二种方法则是要介绍的Floyd算法,它的时间复杂度为T=O(V^3),对于稠密图来说效果更好。
Floyd算法
对于最短路径算法来说,其重点都是松弛。由于现在是多源最短路径问题,以前单源把dist[i]作为源点S到i的最短路径,现在源点不单一了,所以直接表示成e(i,j)表示i到j的最短路径。
我们已经知道松弛的原因是,有了第三个点为过渡点,使得距离变小了。
Floyd算法运用动态规划的思想通过考虑最佳子路径来得到最佳路径
而Floyd算法的步骤就分为以下两步
- 初始化:从任意一条单边路径开始。所有两点之间的距离是边的权,或者无穷大,如果两点之间没有边相连。
- 松弛:对于每一对顶点 u 和 v,看看是否存在一个顶点 w 使得从 u 到 w 再到 v 比己知的路径更短。如果是更新它。
思想非常简单,简单来说就是遍历所有的顶点,看看这个顶点是否能让任意两个顶点松弛。
核心代码:
for (int k = 1; k <= n; k++)
{
for (int i = 1; i <= n; i++)
{
for (int j = 1; j <= n; j++)
{
if (v[i][k] + v[k][j] < v[i][j])
{
v[i][j] = v[i][k] + v[k][j];
}
}
}
}
代码:
我们在OJ上验证这个算法:http://acm.hdu.edu.cn/showproblem.php?pid=2544
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.io.StreamTokenizer;
public class Main
{
static int[][] v = new int[101][101];
public static void main(String[] args) throws IOException
{
StreamTokenizer in = new StreamTokenizer(new BufferedReader(
new InputStreamReader(System.in)));
int n, m;
while (in.nextToken() != StreamTokenizer.TT_EOF)
{
n = (int) in.nval;
in.nextToken();
m = (int) in.nval;
init(n);
if (n == 0 || m == 0)
{
break;
}
for (int i = 1; i <= m; i++)
{
in.nextToken();
int a = (int) in.nval;
in.nextToken();
int b = (int) in.nval;
in.nextToken();
int d = (int) in.nval;
v[a][b] = d;
v[b][a] = d;
}
floyd(n);
System.out.println(v[1][n]);
}
}
private static void floyd(int n)
{
for (int k = 1; k <= n; k++)
{
for (int i = 1; i <= n; i++)
{
for (int j = 1; j <= n; j++)
{
if (v[i][k] + v[k][j] < v[i][j])
{
v[i][j] = v[i][k] + v[k][j];
}
}
}
}
}
public static void init(int n)
{
for (int i = 1; i <= n; i++)
{
for (int j = 1; j <= n; j++)
{
v[i][j] = 9999999;
}
}
}
}
算法时间复杂度很直观O(V^3),因为要用邻接矩阵来存储图,空间复杂度O(V^2)。
另外需要注意的是:Floyd算法也不能解决带有“负权回路”
总结:
通过以上4种最短路径算法,我们发现,最短路径算法大概分为3步
- 初始化
- 松弛
- 判断是否有负值环
其中Bellman-Ford(松弛以后如果还能松弛则有负值环)与SPFA(每个元素的入队次数不能超过n)能检测负值环。
我们简单的说一下4种算法的松弛过程:
- Dijkstra:由源点出发,松弛每条边。然后选出其中最小的边,将其作为中间点,松弛其他未访问的边,如此循环n-1次。
- Bellman-Ford:遍历所有边,查看两个端点能否通过这条边进行松弛。
- SPFA:用队列来优化Bellman-Ford,从队列中取出某个点,查看经过这个点能否使边松弛,如果能够松弛并且没有在队列中,将另一个点加入队列中。
- Floyd:遍历所有的顶点,看看这个顶点是否能让任意两个顶点松弛。
时间复杂度:
Dijkstra:普通:O(V^2+E),最小堆优化:O(VlogV+ElogE),斐波那契堆优化:O(E+VlogV)
Bellman-Ford:O(VE)
SPFA:O(kE),有争论,总之比Bellman-Ford更加快
Floyd:O(V^3)
Reference:
1. http://www.cnblogs.com/biyeymyhjob/archive/2012/07/31/2615833.html
2. http://www.nocow.cn/index.php/Dijkstra%E7%AE%97%E6%B3%95
3. http://blog.csdn.net/collonn/article/details/18155655
4. http://blog.csdn.net/mengxiang000000/article/details/50266373
来源:oschina
链接:https://my.oschina.net/u/2243330/blog/602483