| Dijkstra 最短路径算法 Python 实现 | 您所在的位置：网站首页 › Dijkstra求最短路径 › Dijkstra 最短路径算法 Python 实现 |
Dijkstra 最短路径算法 Python 实现
|
原文链接 问题描述 使用 Dijkstra 算法求图中的任意顶点到其它顶点的最短路径（求出需要经过那些点以及最短距离）。 以下图为例：
算法思想 可以使用二维数组来存储顶点之间边的关系 首先需要用一个一维数组 dis 来存储 初始顶点到其余各个顶点的初始路程，以求 1 顶点到其它各个顶点为例：
将此时 dis 数组中的值称为最短路的“估计值”。 既然是求 1 号顶点到其余各个顶点的最短路程，那就先找一个离 1 号顶点最近的顶点。通过数组 dis 可知当前离 1 号顶点最近是 2 号顶点。当选择了 2 号顶点后，dis[2] 的值就已经从“估计值”变为了“确定值”，即 1 号顶点到 2 号顶点的最短路程就是当前 dis[2]值。为什么呢？因为目前离 1 号顶点最近的是 2 号顶点，并且这个图所有的边都是正数，那么肯定不可能通过第三个顶点中转，使得 1 号顶点到 2 号顶点的路程进一步缩短了。 既然选了 2 号顶点，接下来再来看 2 号顶点有哪些出边。有 2->3 和 2->4 这两条边。先讨论通过 2->3 这条边能否让 1 号顶点到 3 号顶点的路程变短。也就是说现在比较 dis[3] 和 dis[2] + G[2][3]的大小。其中 dis[3] 表示 1 号顶点到 3 号顶点的路程。dis[2] + G[2][3] 中 dis[2] 表示 1 号顶点到 2 号顶点的路程，G[2][3] 表示 2->3 这条边。所以 dis[2] + G[2][3] 就表示从 1 号顶点先到 2 号顶点，再通过 2->3 这条边，到达 3 号顶点的路程。 在本例中 dis[3] = 12，dis[2] + G[2][3] = 1 + 9 = 10，dis[3] > dis[2] + G[2][3]，所以 dis[3] 要更新为 10。这个过程有个专业术语叫做“松弛”。即 1 号顶点到 3 号顶点的路程即 dis[3]，通过 2->3 这条边松弛成功。这是 Dijkstra 算法的主要思想：通过“边”来松弛初始顶点到其余各个顶点的路程。 同理通过 2->4（G[2][4]），可以将 dis[4]的值从 ∞ 松弛为 4（dis[4] 初始为 ∞，dis[2] + G[2][4] = 1 + 3 = 4，dis[4] > dis[2] + G[2][4]，所以 dis[4] 要更新为 4）。 刚才对 2 号顶点所有的出边进行了松弛。松弛完毕之后 dis 数组为：
继续在剩下的 5 和 6 号顶点中，选出离 1 号顶点最近的顶点，这次选择 5 号顶点。此时，dis[5] 的值已经从“估计值”变为了“确定值”。对5号顶点的所有出边（5->4）进行松弛。松弛完毕之后 dis 数组为： 最后对 6 号顶点所有点出边进行松弛。因为这个例子中 6 号顶点没有出边，因此不用处理。到此，dis 数组中所有的值都已经从“估计值”变为了“确定值”。 最终 dis 数组如下，这便是 1 号顶点到其余各个顶点的最短路径。 将所有的顶点分为两部分：已知最短路程的顶点集合 P 和未知最短路径的顶点集合 Q。最开始，已知最短路径的顶点集合 P 中只有源点一个顶点。这里用一个 visited[ i ]数组来记录哪些点在集合 P 中。例如对于某个顶点 i，如果 visited[ i ]为 1 则表示这个顶点在集合 P 中，如果 visited[ i ]为 0 则表示这个顶点在集合 Q 中； 设置源点 s 到自己的最短路径为 0 即 dis = 0。若存在源点有能直接到达的顶点 i，则把 dis[ i ]设为 G[s][ i ]。同时把所有其它（源点不能直接到达的）顶点的最短路径为设为 ∞； 在集合 Q 的所有顶点中选择一个离源点 s 最近的顶点 u（即 dis[u] 最小）加入到集合 P。并考察所有以点 u 为起点的边，对每一条边进行松弛操作。例如存在一条从 u 到 v 的边，那么可以通过将边 u->v 添加到尾部来拓展一条从 s 到 v 的路径，这条路径的长度是 dis[u] + G[u][v]。如果这个值比目前已知的 dis[v] 的值要小，我们可以用新值来替代当前 dis[v] 中的值； 重复第 3 步，如果集合 Q 为空，算法结束。最终 dis 数组中的值就是源点到所有顶点的最短路径 注意 Dijkstra 算法不能应用于有负权重的图 Dijkstra 时间复杂度为 O(N2) Python 实现 def Dijkstra(G, start): # 输入是从 0 开始，所以起始点减 1 start = start - 1 inf = float('inf') node_num = len(G) # visited 代表哪些顶点加入过 visited = [0] * node_num # 初始顶点到其余顶点的距离 dis = {node: G[start][node] for node in range(node_num)} # parents 代表最终求出最短路径后，每个顶点的上一个顶点是谁，初始化为 -1，代表无上一个顶点 parents = {node: -1 for node in range(node_num)} # 起始点加入进 visited 数组 visited[start] = 1 # 最开始的上一个顶点为初始顶点 last_point = start for i in range(node_num - 1): # 求出 dis 中未加入 visited 数组的最短距离和顶点 min_dis = inf for j in range(node_num): if visited[j] == 0 and dis[j] < min_dis: min_dis = dis[j] # 把该顶点做为下次遍历的上一个顶点 last_point = j # 最短顶点假加入 visited 数组 visited[last_point] = 1 # 对首次循环做特殊处理，不然在首次循环时会没法求出该点的上一个顶点 if i == 0: parents[last_point] = start + 1 for k in range(node_num): if G[last_point][k] < inf and dis[k] > dis[last_point] + G[last_point][k]: # 如果有更短的路径，更新 dis 和 记录 parents dis[k] = dis[last_point] + G[last_point][k] parents[k] = last_point + 1 # 因为从 0 开始，最后把顶点都加 1 return {key + 1: values for key, values in dis.items()}, {key + 1: values for key, values in parents.items()} if __name__ == '__main__': inf = float('inf') G = [[0, 1, 12, inf, inf, inf], [inf, 0, 9, 3, inf, inf], [inf, inf, 0, inf, 5, inf], [inf, inf, 4, 0, 13, 15], [inf, inf, inf, inf, 0, 4], [inf, inf, inf, inf, inf, 0]] dis, parents = Dijkstra(G, 1) print("dis: ", dis) print("parents: ", parents)输出为 dis: {1: 0, 2: 1, 3: 8, 4: 4, 5: 13, 6: 17} parents: {1: -1, 2: 1, 3: 4, 4: 2, 5: 3, 6: 5}如果求 1 号顶点到 6 号顶点的最短距离，dis[6] = 17，所以最短距离为 17。 再看 parents[6] = 5，说明 6 号顶点的上一个顶点为 5，parents[5] = 3，说明 5 号顶点的上一个顶点为 3，以此类推，最终 1 号顶点到 6 号顶点的路径为 1->2->4->3->5->6。 优化思路 其中每次找到离 1 号顶点最近的顶点的时间复杂度是 O(N)，可以用“堆”来优化，使得这一部分的时间复杂度降低到 O(logN)； 另外对于边数 M 少于 N2 的稀疏图来说（把 M 远小于 N2 的图称为稀疏图，而 M 相对较大的图称为稠密图），可以用邻接表来代替邻接矩阵，使得整个时间复杂度优化到 O((M+N)logN)。注意，在最坏的情况下 M 就是 N2，这样的话 MlogN 要比 N2 还要大。但是大多数情况下并不会有那么多边，所以 (M+N)logN 要比 N2 小很多 |
接下来，继续在剩下的 3、4、5 和 6 号顶点中，选出离 1 号顶点最近的顶点。通过上面更新过 dis 数组，当前离 1 号顶点最近是 4 号顶点。此时，dis[4] 的值已经从“估计值”变为了“确定值”。下面继续对 4 号顶点的所有出边（4->3，4->5 和 4->6）用刚才的方法进行松弛。松弛完毕之后 dis 数组为：
继续在剩下的 3、5 和 6 号顶点中，选出离 1 号顶点最近的顶点，这次选择 3 号顶点。此时，dis[3] 的值已经从“估计值”变为了“确定值”。对 3 号顶点的所有出边（3->5）进行松弛。松弛完毕之后 dis 数组为： 
总结一下刚才的算法。算法的基本思想是：每次找到离源点（上面例子的源点就是 1 号顶点）最近的一个顶点，然后以该顶点为中心进行扩展，最终得到源点到其余所有点的最短路径。基本步骤如下：【本文地址】