最短路径：地图软件是如何计算出最优出行路径的？

------ 本文是学习算法的笔记，《数据结构与算法之美》，极客时间的课程 ------

今天，从地图软件的路径规划问题讲起，带你看看常用的最短路径算法（Shortest Path Algorithm）。

像 Google 地图。百度地图、高德地图这样的地图软件，应该会经常使用吧？如果从家开到公司，你只需要输入起始地址、结束地址，地图就会给你规划一条最优路线。这里的最优，有很多种定义，比如最短路线、最少用时路线、最少红灯路线等等。作为一名软件开发工程师，你是否想过，地图软件的最优路线是如何计算出来的吗？底层依赖了什么算法？

我们刚提到的最优问题包含三个：最短路线、最少用时和最少红灯。我们先解决最简单的，最短路线。

解决软件开发中的实际问题，最重要的一点是建模，也就是将复杂的场景抽象成具体的数据结构。针对这个问题，我们该如何抽象成数据结构呢？

我们之前也提到过，图这咱结构的表达能力很强，显然，把地图抽象成图最合适不过了。我们把每个岔路口看作一个顶点，岔路口与岔路口之间的路看作一条边，路的长度就是边的权重。如果路是单行道，我们就在两个顶点之间画一条有向边；如果路是双行道，我们就在两顶点之间画两条方向不同的边。这样，整个地图就被抽象成一个有向有权图。

具体的代码实现，我放在下面了。于是，我们要求解的问题就转化为，在一个有向有权图中，求两个顶点的最短路径。

想要解决这个问题，有一个非常经典的算法，最短路径算法，更加准确地说，是单源最短路径算法（一个顶点到一个顶点）。提到最短路径算法，最出名的莫过于Dijkstra算法了。所以，我们现在来看，Dijkstra算法是怎么工作的。咱们直接看代码。

我们用vertexes 数组，记录从起始顶点到每个距离（dist）。起初，我们把所有顶点的dist都初始化为无穷大。我们把起始顶点的dist值初始化为0，然后将其放到优先队列中。

我们从优先队列中取出dist最小的顶点minVertex，然后考察这个顶点可达的所有顶点（nextVertex）。如果minVertex的dist值加上minVertex与nextVerte之间边的权重w小于nextVertex 当前的dist值，也就是说，存在另一条理短的路径，它经过minVertex到达nextVertex。那我们就把nextVertex的dist更新为ninVertex的dist值加上w。然后，我们把nextVertex加入到优先级队列中。重复这个过程，直到找到顶点 t 或者队列为空。

以上就是dijkstras 算法 核心逻辑。除此之外，代码中还有两个额外的变量，predecessor数组和 inqueue数组。predecessor 数组的作用是为了还原最短路径，它记录每个顶点的前驱节点。最后通过递归的方式，将这个路径打印出来。

inqueue数组是为了避免将一个顶点多次添加到优先级队列中。我们更新了某个顶点dist值之后，如果这个顶点已经在优先级队列中了，就不要再将它重复添加进去了。

理解了 Dijkstra 的原理和代码实现，我们来看下，Dijkstra算法的时间复杂度是多少？

在刚刚的代码实现中，最复杂就是 while 循环嵌套 for 循环那部分代码了。while 循环最多会执行 V 次（V表示顶点的个数），而内部的 for 循环的执行次数不确定，跟每个顶点的相邻的个数有关，我们分别记作E0, E1, E2,…,E(V-1)。如果我们把这个 V 个顶点的边都加起来，最大也不会超过图中所有边的个数E（E表示边的个数）。

for 循环内部的代码涉及从优先级队列取数据、往往优先级队列中添加数据、更新优先级队列中的数据，这样三个主要的操作。我们知道，优先级队列是用堆来实现的，堆中的这几个操作，时间复杂度都是O(logV)（堆中的元素个数不会超过顶点的个数V）。

所以，综合这两部分，再利用乘法法则，整个代码的时间复杂度就是O(E*logV)。

弄懂了Dijkstra算法，我们再来回答之前的问题，如何计算最优出行路线？

从理论上讲，用Dijkstra 算法可以计算出两点之间的最短路径。但是，你有没有想过，对于一个超级大的地图来说，岔路口、道路都非常多，对应到图这种数据结构上来说，就有非常多的顶点和边。如果为了计算两点之间的最短路径，在一个超级大的图上运用Dijkstra算法，遍历所有的顶点和边，显然非常耗时。那我们有没有什么优化的方法呢？

做工程不像做理论，一定要给出一个最优解。理论上算法再好，如果执行效率太低，也无法应用到实际的工程中。对于软件开发工程师来说，我们经常要根据问题的实际背景，对解决方案权衡取舍。类似出行路线这种工程上的问题，我们没有必要非得求出个绝对最优解。很多时候，为了兼顾执行效率，我们只需要计算出一个可行的次优解就可以了。

有了这个原则，你能想出刚刚那个问题的优化方案吗？

虽然地图很大，但是两点之间的最短路径或者说较好的出行路径，并不会很“发散”，只会出现在两点之间和两点附近的区块内。所以我们可以在整个大地图上，划出一个小区块，这个小区块恰好可以覆盖住两个点，但又不会很大。我们只需要在这个小区块内部运行Dijkstra算法，这样就可以避免遍历整个大图，也就大大提高了执行效率。

不过你你可能会说了，如果两点距离比较远，从北京海淀区某个地点，到上海黄浦区某个地点，那上面的这种处理方法，显然就不工作了，毕竟覆盖北京和上海的区块并不小。

对于这样两点之间的距离较远的路线规划，我们可以氢北京海淀区或者北京看作一个顶点，把上海黄浦区或者上海看作一个顶点，先规划大的出行路线。比如从北京到上海，必须要经过某几个顶点，或者某几条干道，然后再细化每个阶段的小路线。

这样，最短路径问题就解决了。我们再来看另外两个问题，最少时间和最少红灯。

前面讲最短路径的时候，每条边的权重是路的长度。在计算最少时间的时候，算法还是不变，我们只需要把边的权重，从路的长度变成经过这段路所需要的时间。不过，这个时间会根据拥堵情况时刻变化。如何计算车通过一段路的时间呢？这是一个蛮有意思的问题，你可以自己思考下。

每经过一条边，就要经过一个红绿灯。关于最少红绿灯的出行方案，实际上，我们只需要把每条边的权值改为1即可，算法还是不变，可以继续使用前面讲的Dijkstra算法。不过，边的权值为1，也就相当于无权图了，我们还可以使用之前讲过的广度优先搜索算法。因为我们前面讲过，广度优先搜索算法计算出来的两点之间的路径，就是两点的最短路径。

不过，这里给出的所有方案都非常粗糙，只是为了给你展示，如何结合实际场景，灵活地应用算法，让算法为我们所用，起初的地图软件的路径规划，要比这个复杂很多，而且，比起 Dijkstra 算法，地图软件用的更多是类似 A* 的启发式搜索算法，不过也是在 Dijkstra算法上的优化罢了，我们后面会讲到，这里暂且不展开。

今天，我们学习了一种非常重要的图的算法，Dijkstra 最短路径算法。实际上，最短路径算法还有很多，比如 Bellford 算法、Floyd 算法等等。

关于 Dijkstra 算法，我们只讲了原理和代码实现。对于正确性，我没云证明。这所以这么做，是因为证明过程会涉及比较复杂的数学推导。这个并不是我们的重点，你只要掌握这个算法的思路就可以了。

这些算法实现思路非常非常经典，掌握了这些思路，我们可以拿来指导、解决其他问题。比如 Dijkstra 这个算法的核心思想，就可以拿来解决下面这个看似完全不相关的问题。这个问题是我之前工作中遇到的真实问题，为了在较短的篇幅里把这个问题介绍清楚，我对背景做了一些简化。

我们有一个翻译系统，只能针对单个词来做翻译。如果要翻译一整个句子，我们需要将句子拆成一个一个的单词，再丢给翻译系统。针对每个单词，翻译系统会返回一组可选的翻译列表，并且针对每个翻译打一个分，表示这个翻译的可信程度。

针对每个单词，我们从可选列表中，选择一个翻译，组合起来就是整个句子的翻译。每个单词的翻译的得分之和，就是整个句子的翻译得分。随意搭配单词的翻译，会得到一个句子不同的翻译。针对整个句子，我们希望计算出得分最高的前 k 个翻译结果，你会怎么编程来实现呢？

当然，最简单的办法还是借助回溯算法，穷举所有的排列组合情况，然后选出得分最高的前 k 个翻译结果。但是，这样的时间复杂度会比较高，是O(mn)，其中，m 表示平均每个单词可选翻译个数，n 表示一个句子中包含多少个单词。这个解决方案，你可以当作回溯算法的练习题，自己编程实现一个，我就不多说了。

实际上，这问题可以借助 Dijkstra 算法的核心思想，非常高效地解决。每个单词的可选翻译是按照分数从大到小排列的，所以 a0b0c0 肯定是得分最高组合结果。我们把 a0b0c0 及得分作为一个对象，放入到优先级队列中。

我们每次从优先级队列中取出一个得分最高的组合，并基于这个组合进行扩展。扩展的策略是每个单词的翻译分别替换成下一个单词和翻译。比如 a0b0c0 扩展后，会得到三个组合，a1b0c0、a0b1c0、a0b0c1。我们把扩展之后的组合，加到优先级队列中。重复这个过程，直到获取到 k 个翻译组合或者队列为空

我们来看，这种实现思路的时间复杂度是多少？

假设句子包含 n 个单词，每个单词平均有 m 个可选择的翻译，我们求得分数最高的前 k 个组合结果。每次一个组合出队列，就对应着一个组合结果，我们希望得到 k 个，那就对应着 k 次出队操作。每次有一个组合出队列，就有 n 个组合入队列。优先队列中出队和入队操作的时间复杂度都是O(logX)，X到底是多少呢？

k 次出队列，队列中的总数据不会超过 kn，也就是说，出队、入队操作的时间复杂度是O(log(kn))。所以，总的时间复杂度就是O(knlog(k*n))，比之前的指数级时间复杂度降低很多。