CS61B 19 最短路：Dijkstra与A*

回顾

 BFS 能找到最短路径，而 DFS 却不能。

在效率上，DFS 对于稀疏的图形来说更糟糕。想象一下一个有 10000 个节点的图，所有节点都很稀疏。我们最终会进行 10000 次递归调用，这对空间很不利。
BFS 对于 "杂乱 "的图来说更糟糕，因为我们的队列会被大量使用。

但是，有些图的边带有权重，这时我们就需要新的方法来寻找最短路。

Dijkstra's

思考两个问题：

1. 图中从某一点到另一点的最短路径。

2. 图中从某一点开始遍历所有点的最短路径。

在无权重时，BFS能很好解决问题1.

问题2

从起点s开始的最短路径树可以以如下方式创建：

1. 对图中的每一个点v，找到从s到v的最短路。

2. 合并你上述找到的所有边。

注意到最短路径树永远是一棵树。有v个结点的树拥有v-1条边。除根节点外，对于每个节点，在edgeTo array上都有一个父节点。

Dijkstra概述：

它输入一个节点s，输出从s开始的最短路径树。

1. 创建一个优先队列priority queue

2. 将s以优先级0加入到优先队列中。将所有其他节点以优先级∞加入到优先队列中。

3. 当优先队列不是空的：将一个节点弹出优先队列，然后释放(relax)所有以该点为起点的有向边。

释放是什么意思？

假设我们从优先队列里去除的顶点是v，我们看v的所有边，比如说(v,w)，我们试着释放这条边：

看当前从根节点source到w的最佳距离curBestDistToW 和 curBestDistToV + weight(v,w)，称为potentialDistToWUsingV.

potentialDistToWUsingV是否更好，或者说是否小于curBestDistToW？如果是，将curBestDistToW设置成=potentialDistToWUsingV，并且将edgeTo[w]更新为v。（edgeTo应该指向遍历顺序中的上一个节点）

注意：从不释放已经访问过的节点的边。

伪代码：

def dijkstras(source):
    PQ.add(source, 0)
    For all other vertices, v, PQ.add(v, infinity)
    while PQ is not empty:
        p = PQ.removeSmallest()
        relax(all edges from p)

def relax(edge p,q):
   if q is visited (i.e., q is not in PQ):
       return

   if distTo[p] + weight(edge) < distTo[q]:
       distTo[q] = distTo[p] + w
       edgeTo[q] = p
       PQ.changePriority(q, distTo[q])

只要边都是非负的，Dijkstra 的方法就能保证最优。

图解

例：

带权图。

为了防止循环，我们需要数组记录.

其中distTo为该点距开始节点的最短距离，edgeTo为在目前的最小生成树中指向该节点的上一个节点。

首先，我们把所有可供选择的节点加入Fringe队列（最小优先队列）中，括号里第一个元素是节点标号，第二个是距开始节点的最短距离（一开始都为无穷）。

对从0出发的两个边分别做relax。1、2两节点的edgeTo更新（为上一节点即0）。2<∞，1<∞，故将2、1两节点距离distTo更新，优先级fringe更新（数值与distTo相等）。

然后，2的优先级(为1)最低，将2弹出(pop)优先队列fringe

在从2继续，释放(relax)从2起始的边(2,5)

1的优先级最低，弹出(pop)节点1

relax三条边。最下面：5>1，不需更新。其他节点需要更新。

4的优先级最低，pop4。relax三条边，(4,2) 5+1>1，不需要替换。其他两个<  替换。

5的优先级最低，pop5

...

注意：
 总是按照与源点的总距离顺序排列顶点。
 在访问过（白色）顶点的边上，relaxation 总是失败。

负数边

如果边的权重出现负数，Dijkstra就不能总是找到最佳路径。这时可以试用belmanFord等方法。

A*

一个起点的前提下，如果我们只有一个目标，在起点和终点相距非常远的大图下Dijkstra's 会非常非常慢，因为Dijkstra's是以BFS为基础的，需要很长时间才能挖到足够深的地方。

在Dijkstra的基础上，我们在计算优先级的时候加一个数据，这个数据估算各个节点到终点的大致距离。

这组数据 h(v,goal) 称为启发式(Heuristics)，它的生成可以使用各种方法(例如具体图片上两点之间直线距离，这里省略)，但注意它只是估算，所以不必过于复杂精确。加上权重过后，A*树能很高效地找到两个确定点之间的最短路。

A*的特点：

1. A*并不访问所有节点。

2. 结果不再是有效的最短路径树。

启发式生成的好坏直接决定A*算法的效率。总而言之，好的启发式需要以下两点：

1. Admissibility（不知道咋翻译）：h(v,target)要小于等于v到target的真实距离。

2. Consistency一致性：对于w的每个相邻节点v：

        1. h(v, target)<=distance(v, w)+h(w, target);

        2. 其中，dist(v, w) 是 v 到 w 的边的权重。