算法学习（六）—— 狄克斯特拉算法

系列文章目录

第一章：二分查找及大O表示法

第二章：选择排序

第三章：递归和快速排序

第四章：散列表

第五章：广度优先搜索

第六章：狄克斯特拉算法

---

---

前言

积累算法，记录学习

---

一、加权图

上一章介绍的图是没有权重的，即每一条边的意义一样，这样并不全面，因此引出一种加权图，这种图通常伴随的问题是最快路径问题

比如对应下面这个图，假如使用广度优先算法时，找到的最短路径可能是“起点——A——终点”或者“起点——B——终点”，但是我们可以看出，在图上最快的路径并不是上述两条！因此广度优先搜索算法失效。对于这样的加权图，我们的狄克斯特拉算法就派上了用场。

二、算法原理

我们不用那种索然无味的算法流程，我们还是以上图为例，我们的目的是找到从起点到终点的最快路径，我们分以下步骤进行：

1）找出最近的节点。 我们从起点出发，有两条路能走，前往A点和前往B点，最终目的是终点。并且我们可以知道前往A点用6分钟，前往B点用2分钟，不知道前往终点所需时间，因此设为无穷。所以来说，我们选择B节点这条路，因为它是最快的！拿小本子记下来：

2）计算经B节点前往其各个邻居的所需时间。 现在我们站在B处，能够到达的地方有A和终点，所以从B到A的时间是3分钟，从B到终点的时间是5分钟。由此我们需要更新一下自己的小本子了。因为现在从起点到A点的最快时间是5分钟，到终点的最快时间是7分钟：

3）重复！我们现在再站在A点，由于A点到终点的时间是1分钟，因此又要更新一下小本子，因为现在从起点途径B再途径A再到终点才是我们的最快路径！仅需6分钟，显然这不是我们最短路径。

这些路上的时间在权重图的术语中叫权重

这里需要注意一点，狄克斯特拉算法不能用在包含带有负权重的图中，因为对于处理过的节点，算法认为没有前往该节点的更短路径，这时我们就需要一种新的算法——贝尔曼-福德算法 ，这里暂时先不做详解，感兴趣的小伙伴可以自行学习。

三、算法实现

我们就实现上面这个图的狄克斯特拉算法，使用的数据结构也是散列表：它真是用处多多呢！
1、首先我们需要有存储图的散列表graph，将图上所有的信息表现在散列表中，这就是我们第一步要做的事：

>>> graph = {
   }
>>> graph["start"] = {