所有结点对的最短路径问题：本章对于给出信息的方式的不同 最短路径和矩阵乘法

显然，对于问题：所有结点对的最短路径问题，我们需要找到图中任何两个结点间的最短路径。同时，我们能轻易得对上一章所学的Bellman_Ford或是Dijkstra算法对每个结点都调用一次而得出结果——但显然，将会浪费很多时间。

以Dijkstra算法为例，若实现它的方式为数组实现，那么Extract会搜索整个数组，消耗O(|V|)的时间——加上外层嵌套的while循环，同时处理边所用到的时间为|E|，那么算法运行的总时间为O(|V|² + |E|) = O(|V|²)。而调用 n 次，也就需要O(|V|³)的时间。

至于在图稀疏的情况下，若 采用二叉堆实现：隐藏在Relax操作中的DecreaseKey、Extract_Min均消耗O(lgV)的时间，并且我们仍然只对所有的边进行一次Relax操作，因此共有|E|次DecreaseKey，|V|次Extract_Min操作；同时对原来以数组形式表示的图进行Build_Min_Heap操作会消耗O(n)时间——虽然看上去为O(nlgn)次，不过若我们更为精确地计算：每一层高度为 h 的结点，它的Max_Heapify操作并不完全等于堆的高度，而是等于它本身的高度h。这样一来，计算所有有儿子的结点处理时间的∑运算便能得出O(n)的结果。（其中高度h层的结点数目为：，式中 n 是高度的函数，而非总元素数目，同样设最底下一层为0层）

详细的证明见书P88，在此我们仍需要把重点放在图中。

经过上述的计算，我们得到了总运行时间O((V+E)lgV)的结果，同时，至于为什么能够在从源节点出发的条件下达到O(ElgV)的结果，我目前还不清楚。猜测可能是由于当从源节点出发能够到达所有结点时，在处理完毕源节点后，对于后面的结点，在Max_Heapify中，将A[A.heapsize]换到堆的顶部时，只下渗与高度有关的次数：即下渗到同样d值为∞的层数便停止——因此，其与以上关于Build_Min_Heap的证明类似，对整体摊还分析产生的结果为O(V)，即O（V+ElgV) = O(ElgV)。同时，在的条件下，得到有O(V²）的结果。

对于我们来说，从直觉上来看，ElgV是小于V²的——但请不要忽略，E做到的是连接图中的顶点，因此它应该比V大的多——甚至在最大的情况下，会达到V!的水平。

以上是通过二叉堆进行优化，不过在此之后，还能通过斐波那契堆进行优化——由于extract_min的摊还时间为θ(lgn)，同时DecreaseKey甚至达到了Θ(1)的时间。（这个堆的实现不难，不过时间摊还分析有一定的难度）因此使用它将会使整个算法运行的时间到达O(