floyd算法与动态规划

PS：本文是在他人博文基础上加以修改而来，将从 A^k(i,j) 推导 A^k-1(i,j) 改为从 A^k-1(i,j) 推导 A^k(i,j)，为的是符合自己的思维习惯，更好的理解floyd算 法，并且方便以后查看。

在此首先对原作者表示感谢！

原文地址——http://blog.csdn.net/roofalison/article/details/5651806

下面进入正文

    floyd的代码实现其实很简单：    

[cpp]  view plain copy

1. void floyd()  
2. {  
3.     for(k=0;k<n;k++)  
4.         for(i=0;i<n;i++)  
5.             for(j=0;j<n;j++)  
6.                 A[i][j]=min(A[i][j],A[i][k]+A[k][j]);  
7. }  

    floyd算法是一个经典的动态规划算法，目标是寻找从点i到点j（图中任意两点）的最短路径。从动态规划的角度看问题，我们需要为这个目标重新做一个诠释（这个诠释正是动态规划最富创造力的精华所在）。假设图有n个顶点，依次为0,1,…,n-1，floyd算法加入了这个概念

    A^k(i,j)：表示从顶点i到顶点j且中间顶点的序号不大于K的最短路径。

    这个限制的重要之处在于，它将最短路径的概念做了限制，使得该限制有机会满足迭代关系，这个迭代关系就在于研究：假设A^k-1(i,j)已知，是否可以借此推导出A^k(i,j)。针对此问题，采用数学归纳法，我们分两步解决：

   1、由A^k(i,j)的定义可得初始状态（即中间不经过其他任何顶点）：A^-1(i,j) = cost(i,j)。（cost(i,j)为连接顶点i 和顶点j 的边的权值，若两顶点间无边，则值为无穷大）

    2、假设此时A^k-1(i,j)已知，并且在此基础上求解A^k(i,j)，那么我们可以分两种情况来看待这个问题：1. A^k(i,j)沿途经过点k；2. A^k(i,j)不经过点k。如果经过点k，那么很显然，A^k(i,j) = A^k-1(i,k) + A^k-1(k,j)。为什么是A^k-1呢？因为A^k-1是我们目前得到的最优解。那么遇到第二种情况，A^k(i,j)不经过点k时，由于没有经过点k，所以根据概念，可以得出A^k(i,j)=A^k-1(i,j)。现在，我们确信有且只有这两种情况---不是经过点k，就是不经过点k，没有第三种情况了，条件很完整，那么是选择哪一个呢？很简单，求的是最短路径，当然是哪个最短，求取哪个，故得出式子：

    A^k(i,j) = min( A^k-1(i,j), A^k-1(i,k) + A^k-1(k,j) )

    到这里，已经列出了求取A^k(i,j)的整个算法了，但是，最终的目标是求dist(i,j)，即i到j的最短路径，如何把A^k(i,j)转换为dist(i,j)？这个其实很简单，当k=n-1（n表示图中顶点的个数）的时候，即是说，A^n-1(i,j)=dist(i,j)。那是因为当k已经最大时，已经不存在索引比k大的点了，那这时候的A^n-1(i,j)其实就已经是顶点i 到顶点j 的最短路径了。

    从动态规划算法设计的角度来讲，求解决策过程的最优化问题，首先应将待求解问题分解成若干个子问题，确定待求解问题与子问题的定量关系，先求解子问题，然后从这些子问题的解得到原问题的解。而本文可看做求解定量关系部分（即由子问题出发，求解原问题）。

    个人总结：划分的过程是从上往下，求解的过程是从下往上。