最短路径算法

1.狄克斯特拉（Dijkstra）算法：

  狄克斯特拉用于解决单源最短路径问题，即从图中的某一节点出发到任一节点的最短路径。缺陷：图中不能含有负权边

基本思路：

  松弛操作：每确定到达一个节点的最短路径之后，计算途径当前节点到达其他邻接节点的路径是否为更优，如果是则更新邻接节点的路径。

图解说明：

  用两个集合分别存放：1.已确定最优路径的节点极其代价（用S表示） 2.当前可达节点极其代价（用U表示）

如上所示的有权图，从0节点开始遍历计算达到每个顶点的最短路径：

则初始状态：S：(节点)0--0(代价)，U：1--5  2--2 3--6

第一步：从U中选取代价最小的节点(节点2)，加入S（S：0--0 2--2，U：1--5 3--6 ），计算经过节点2达到节点1 3代价是否更小，并更新U （S：0--0 2--2 , U：1--3 3--5 4--7）

第二步：从U中选取代价最小的节点(节点1)，加入S（S：0--0 2--2 1--3，U：3--5 4--7），计算经过节点1到达节点3 4是否代价更小，并更新U （S：0--0 2--2 1--3，U：4--4 3--5）

第三步：从U中选取代价最小的节点(节点3)，加入S（S：0--0 2--2 1--3 3--5 ，U：4--7），计算经过节点3到达节点4是否代价更小，并更新U （S：0--0 2--2 1--3 3--5 ，U：4--7）

第四步：从U中选取代价最小的节点(节点4)，加入S （S：0--0 2--2 1--3 3--5  4--7），至此所有节点的最短路径计算完毕

对于路径规划：

  dijkstra应用于路径规划（给出起点终点计算路径）中，从起点出发使用dijkstra开始遍历，当终点加入到集合S中时即找到了最短路径。但是dijkstra在遍历的过程中始终计算的是与起点的距离，目标点的方向相当于未知，当目标点加入到S（close list）中时，相当于遍历了与目标点同深度的所有节点（以起始点为圆心，目标点深度为半径做圆），即便采用最小堆来实现算法时间复杂度任为O(ElogE)，E为节点数。A*在dijkstra基础上做了改进

A*dijkstra

  A*算法的改进之处在于：在计算代价时不仅仅使用当前节点到起点的路径，还加入了当前节点到目标点的距离（一般采用曼哈顿距离或者欧氏距离）。这样使得当目标点加入到U（close list）中时，遍历的范围是以起点和终点为焦点的椭圆，算法时间复杂度为O(KlogE)，K<E

2.弗洛伊德算法（Floyd）

   Floyd的应用场景是APSP(all-point-shortest-path)问题，即所有节点两两之间的最短路径。 

基本思路：

  核心思路还是松弛操作，以图中所有节点为中转节点进行遍历，如果途径该节点的能够减少两节点之间的路径，则更新他们的权值（最短路径）

算法实现：

  我们使用邻接矩阵来实现图的基本表示（不懂邻接矩阵戳这里图论基础），初始化邻接矩阵时不相邻的节点权值用无穷大表示，核心代码如下：

for(int k=0;k<size;k++)    //该层遍历表示中转节点
	{
		for(int i=0;i<size;i++)
		{
			for(int j=0;j<size;j++)
			{
				if(graph[i][j]>graph[i][k]+graph[k][j])    //途径当前中转节点是否会减少i,j之间的最短路径
					graph[i][j]=graph[i][k]+graph[k][j];
			}
		}
	}

  有两个需要注意的地方：1.中转节点的循环一定要放在最外层 2.如果使用数组类型最大值初始化非邻接节点，在判断相加时可能会导致算术溢出

3.对比 

  在解决APSP问题时，也可以直接使用Dijkstra算法进行两两查询，算法复杂度O()，Floyd算法时间复杂度（），所以在顶点数量较少的稠密图中使用Floyd效率会更高一些