Dijkstra 算法应用
有关Dijkstra 算法基础可以参考之前的文章:
【LeetCode】1631 and 145(Dijkstra 算法应用,最小路径算法)
【LeetCode】743 and 917(Dijkstra 算法,最小路径算法)
额外问题:
如果我只想计算起点 start 到某⼀个终点 end 的最短路径,是否可以修改算法,提升⼀些效率?
肯定可以的,因为我们标准 Dijkstra 算法会算出 start 到所有其他节点的最短路径,你只想计算到 end 的最短路径,相当于减少计算量,当然可以提升效率。
需要在代码中做的修改也⾮常少,只要改改函数签名,再加个 if 判断就⾏了:
# 返回节点from 到 节点 to 之间边的权重
def weight(form ,to)
# 图的邻接表
graph = {}
# 输入一幅图和⼀个起点 start,计算 start 到其他节点的最短距离。
def dijkstra(start, graph):
# 图中节点个数
n = len(graph)
# 记录最短路径的权重
# 定义:distTo[i] 的值就是节点 start 到达节点 i 的最短路径权重。初始化为正无穷
distTo = [float("inf") for _ in range(n)]
# base case,start 到 start 的最短距离就是 0
distTo[start] = 0
# 优先队列,distFromStart 较⼩的排在前⾯。
# 贪心思维,对于每个状态,选择权值最小的那条边前进
pq = PriorityQueue()
# 从起点开始进行BFS
pq.put([0, start])
while not pq.empty():
curDistFromStart, curNodeId = pq.get()
# 在这⾥加⼀个判断就⾏了,其他代码不⽤改
if (curNodeID == end):
return curDistFromStart
if (curDistFromStart > distTo[curNodeID]):
# 已经有⼀条更短的路径到达 curNode 节点了
continue
# 将curNode的相邻节点装入队列,(层序遍历)
for nextNodeID in graph[curNodeID]:
# 看看从 curNode 达到 nextNode 的距离是否会更近
distToNextNode = distTo[curNodeID] + weight(curNodeID,
nextNodeID)
if distTo[nextNodeID] > distToNextNode:
# 更新 dp table
distTo[nextNodeID] = distToNextNode
# 将这个节点以及距离放⼊队列
pq.put(distToNextNode, nextNodeID)
# 如果运⾏到这⾥,说明从 start ⽆法⾛到 end
return float("inf")
因为优先级队列⾃动排序的性质,每次从队列⾥⾯拿出来的都是distFromStart 值最⼩的,所以当你第⼀次从队列中拿出终点 end 时,此时的 distFromStart 对应的值就是从 start 到 end 的最短距离。
这个算法较之前的实现提前 return 了,所以效率有⼀定的提⾼。
下面本文将从实例出发,应用上述框架进行求解。
1514. 概率最大的路径
解法:Dijkstra 算法
Dijkstra 和很多最优化算法⼀样,计算的是「最优值」,这个最优
值可能是最⼤值,也可能是最⼩值。
标准 Dijkstra 算法是计算最短路径的,但你有想过为什么 Dijkstra 算法不允许存在负权重边么?
因为 Dijkstra 计算最短路径的正确性依赖⼀个前提:路径中每增加⼀条边,路径的总权重就会增加。
如果你想计算最⻓路径,路径中每增加⼀条边,路径的总权重就会减少,要是能够满⾜这个条件,也可以⽤Dijkstra 算法。
你看这道题是不是符合这个条件?边和边之间是乘法关系,每条边的概率都是⼩于 1 的,所以肯定会越乘越⼩。
只不过,这道题的解法要把优先级队列的排序顺序反过来,⼀些 if ⼤⼩判断也要反过来,我们直接看解法代码吧:
class Solution:
def maxProbability(self, n: int, edges: List[List[int]], succProb: List[float], start: int, end: int) -> float:
graph = collections.defaultdict(list)
# 无向图的构造
for i, (x, y) in enumerate(edges):
graph[x].append((succProb[i], y))
graph[y].append((succProb[i], x))
que = [(-1.0, start)]
prob = [0.0] * n
prob[start] = 1.0
while que:
pr, node = heapq.heappop(que)
pr = -pr
if node == end:
return prob[end]
if pr < prob[node]:
continue
for prNext, nodeNext in graph[node]:
if prob[nodeNext] < prob[node] * prNext:
prob[nodeNext] = prob[node] * prNext
heapq.heappush(que, (-prob[nodeNext], nodeNext))
return prob[end]
191. 位1的个数
解法:循环检查二进制位
我们可以直接循环检查给定整数 n 的二进制位的每一位是否为 1。
具体代码中,当检查第 i 位时,我们可以让 n与
2
i
2^i
2i 进行与运算,当且仅当 n 的第 i 位为 1 时,运算结果不为 0。
class Solution:
def hammingWeight(self, n: int) -> int:
ret = sum(1 for i in range(32) if n & (1 << i))
return ret
解法2:位运算优化
class Solution:
def hammingWeight(self, n: int) -> int:
ret = 0
while n:
n &= n - 1
ret += 1
return ret