dijkstra 算法的实现和难点浅析

这是一个神奇的算法，要慢慢消化。

大学里学数据结构的时候，就已经开始接触这个算法了。不过，当时的概念是理解了，但是伪代码怎么都没看懂。

现在看来，我对这个算法的描述，也没怎么理解透彻。趁有时间，又研究了下，发现原来他的实现过程也没那么复杂。只是，里面的变量实在有点多，在没明白其中的缘由的情况下，那当然是看不懂了。有这次机会，绝对不能放过。深入研究了其中的各个变量的含义，再看实现逻辑，也是如此的顺风顺水……

算法，光理解算法还不行，还是要实现看看，不管是看别人的，还是自己写。不然，你感觉你理解了，不一定能实现。这个不讲算法的概念，还没接触过的，请自行脑补。

看图：

代码如下：

#!/usr/bin/env python
#encoding=utf8
#dijkstra.py

I = 10000
MAXVEX = 9
ShortPathTable = [0,0,0,0,0,0,0,0,0]
Pathmatrix = [0,0,0,0,0,0,0,0,0]
G = [
[I,1,5,I,I,I,I,I,I],
[1,I,3,7,5,I,I,I,I],
[5,3,I,I,1,7,I,I,I],
[I,7,I,I,2,I,3,I,I],
[I,5,1,2,I,3,6,9,I],
[I,I,7,3,I,I,I,5,I],
[I,I,I,3,6,I,I,2,7],
[I,I,I,I,9,5,2,I,4],
[I,I,I,I,I,I,7,4,I],
]

# print roadPath

#djkstra algrithm
def dijkstra(G,v0,Pathmatrix,ShortPathTable):
     final = [0,0,0,0,0,0,0,0,0]
    
     for v in xrange(MAXVEX):
          final[v] = 0
          ShortPathTable[v] = G[v0][v]
          Pathmatrix[v] = 0
     ShortPathTable[v0] = 0;
     final[v0] = 1
    
     for v in xrange(1,9):
          minPath = I
          for w in xrange(9):
               if final[w] != 1 and ShortPathTable[w] < minPath:
                    k = w
                    minPath = ShortPathTable[w]

          final[k] = 1

          for w in xrange(9):
               # 当前最短路径的后驱和与前一个节点
               if final[w] != 1 and minPath+G[k][w] < ShortPathTable[w]:
                    ShortPathTable[w] = minPath+G[k][w]
                    Pathmatrix[w] = k

dijkstra(G,0, Pathmatrix, ShortPathTable)

print ShortPathTable
print Pathmatrix

（这个代码是我按照C的代码重构成python）。

我解释一下这里面的变量的作用：G：这个指向的是无向图的存储数组，V0是程序的入口节点，Pathmatrix：存储的最短路径的序列（也就是从V0到任何一个点的最短路径，需要通过哪些节点），ShortPathTable：到某个点的最短路径的距离，final ：最短路径状态标志，如果找到了，则这个节点将被置成1，循环的时候会跳过这些点.

先介绍一下这个算法里的几个循环是干什么用的：

1、 第一个循环，初始化该节点到其余节点的路径，也就是把矩阵的第一行数据复制到ShortPathTable（这个变量很重要，每次大循环都以它为基础），Pathmatrix里的值全部置零。

2、 第二个循环，这个大循环才是算法的真正实施，每一次循环都确保能找到到某个点的最短路径。

3、第三个循环，属于第二个循环的内部循环，每次执行，从未找到最短路径的节点中，找到距离最短的那个(ShortPathTable 当中数值最小的那个)。

4、第四个循环，属于第二个循环的内部循环，更新符合条件minPath+G[k][w] < ShortPathTable[w]  的值（minPath 是第三个循环找到的数值最小的那个），并将该值更新到ShortPathTable里面，最后再更新Pathmatrix，即到达w点，对应的前驱结点。

第二个循环，才是核心的循环。每次遍历都能找到一个对应的最短路径。

下一步，我看看调试执行的过程。其实，最难理解的地方，就是执行过程如何与代码的执行结合到一起的。

开始执行，第一个循环结束后，看Pathmatrix,ShortPathTab,final的值：

ShortPathTable[v0] = 0;
final[v0] = 1

这两个初始化的执行，v0到自身的距离，已经找到，所以final[1] 的值被置成1，ShortPathTable[1]的值被置成0（说明v0到自身的距离为0）. 初始化流程结束。

2，看一下，核心循环的执行过程：

第一个子循环结束后的结果：

遍历ShortPathTable 排除已经找到最短距离的节点，查找在未找到最短距离的节点中，距离最短的那个。本次执行后找到的最短距离，是到节点编号为1的，距离为1。那节点1，将会从所有节点中排除，即执行final[1]=1。

再看第二个子循环：

这一步才是真正体现智慧的地方。以k为基准，扫描与k直接相连的节点的距离在加上k到前驱结点的距离，与v0节点到与k直连节点的距离进行比较，也就是当这个条件minPath+G[k][w] < ShortPathTable[w]成立时，将这个距离更新到ShortPathTable。简单点说，让v0节点到各点的距离，在通过了vk节点后，做一次更新，比如，v0不能直接到v4，但是在通过了v1节点后就到v4了。不过这个时候，还做了另外一件事， v0与v2是直连的，距离为5，但是在通过了v1以后，发现v1到v2的距离在加上v1到v0的距离比v0直接到v2的距离要段，所以这一步操作也会把这个距离给替换掉。Pathmatrix[w]  = k ，这行代码是说，要到w这个节点，需要通过k点。

剩下的步骤，继续执行这个循环，直到遍历完所有的节点。结束后，Pathmatrix 存储的是节点路径，ShortPathTab 存储节点路径的距离，可以根据这两个变量得到v0到所有节点的最短距离。

至此算法结束。欢迎来拍砖。

转载于:https://my.oschina.net/nicozhang/blog/357471