dijkstra最短路径算法和普里姆最小生成树算法优化的关键

普里姆算法：

记V为图的顶点集，U为循环过程中已加入最小生成树顶点集的点集。

普里姆最小生成树算法的循环是每次寻找一条连接U和V-U的边，并将这条边中属于V-U的顶点加入到顶点集U中。

dijkstra最短路径算法：

从起始点V0出发，每次找到一个最短路径（这条路径的终点是还没有找到的结点）

记V为图的顶点集，U为循环过程中已加入最短路径的点集。

dijkstra算法每次寻找一个连接U和V-U的边，并将这条边中属于V-U的顶点加入到顶点集U中。

从上面的描述中可以看出，这两个算法的内部循环是一样的。这两个算法的最终算法复杂度都是O(N^2)。

因此寻找一个连接U和V-U的边，并将这条边中属于V-U的顶点加入到顶点集U中，这个操作需要在O(N)时间复杂度内完成。

如果我们直接在U和V-U中寻找满足条件的两个顶点（对每个属于U的顶点寻找它连接到V-U的最短距离，然后在所有这些最短距离中找出最短的一个），那么时间复杂度是O(N^2)。

两个作者的算法关键就在这一点，它们可以通过O(N)时间复杂度找出满足条件的那条边。

解决O(N)算法关键在于，对于每个属于V-U的点，它们到U的最短距离可以用一个变量维持，这样所有V-U中的点，可以用一个N维数组保存，每次找到一个将要加入U的结点，我们用它来更新这个N维数组（时间复杂度为O(N)），其它已在U中的点没有必要对这个N维数组就进行更新了。这样在下一轮寻找中找出连接U到V-U的最小边便可以只用O(N)时间复杂度了。

这就是使用公共变量维持U到V-U的最短距离的好处。