第K短路径问题

第 $K$ 短路径（the K Shortest Path，KSP）问题是对最短路径问题的扩展。众所周知，使用 $Dijsktra$ 算法能够确定最短路径，但是在某些情形下，我们除了想知道最短路径外，还想知道次短路径、第三短路径等等[1]。一个现实中的例子就是在使用“高德地图”的时候，需要从某个出发点到达一个目标点，在查询驾车路线时，“高德地图”一般会给出三条候选路径，一条路径具有最少的行车时间，一条具有最短的行车距离，另外一条是备用路线，这三条路径可能具有不同的路径长度，“高德地图”确定这些路径就是第 $K$ 短路径问题的实际应用。

为了便于讨论，首先对 $KSP$ 问题进行形式化的定义。令 $P_i$ 表示从起点 $s$ 到终点 $t$ 的第 $i$ 短路径，$KSP$ 问题是确定路径集合 P k = { p 1 P_k=\{p_1 Pk​={p1​， $p_2$，$p_3$， $\cdots$，$p_k\}$，使得 $P_k$ 满足以下三个条件[2]：

（1）$K$ 条路径是按次序产生的，即对于所有的 $i$（$i=1$，$2$，$\cdots$，$K-1$），$p_i$ 是在 $p_{i+1}$ 之前确定的；

（2）$K$ 条路径是按长度由小到大排列的，即对于所有的 $i$（$i=1$，$2$，$\cdots$，$K-1$），均有 $c(p_i)<c(p_{i+1})$；

（3）$K$ 条路径是最短的，即对于所有的 $p\in (P_{st}-P_k)$，均有 $c(p_k)<c(p)$。

某些情况下，可能并不需要上述严格的第 $K$ 短路径，即可能并不满足第（2）个或者第（3）个条件，在算法中很容易实现，只需将路径长度的限制从原先的“不能相同”放松到“能够相同”即可。求解第 $K$ 短路径有多种算法，以下介绍最为常用的 $A^{\star }$ 算法。

$A^{\star }$ 算法

求解第 $K$ 短路径问题，主要使用的是 $A^{\star }$ 算法。$A^{\star }$ 算法是一种启发式算法。在 《C++，挑战编程——程序设计竞赛进阶训练指南》 第 $8$ 章“回溯法”的第 $8.4$ 节“$15$ 数码问题”中，已经对 $A^{\star }$ 算法做了介绍。在 $A^{\star }$ 算法中，对于每个状态 $x$，启发函数 $f(x)$ 通常是以下的形式：

$$f(x)=g(x)+h(x)$$

其中 $g(x)$ 表示从初始状态到达状态 $x$ 时的代价，$h(x)$ 表示从状态 $x$ 到达目标状态时的估算代价。状态 $x$ 包含两个域：$u$ 和 $fx$，$x.u$ 表示状态 $x$ 所在的顶点，$x.fx$ 表示状态 $x$ 已经走过的路径长度，按照前述的约定可知 $g(x)=x.fx$。

简便起见，先介绍如何解决有向图中的第 $K$ 短路径问题，第 $K$ 短路径中可以包含圈，但是有向图中不能出现负权圈（负权圈的出现可能导致最短路径失去意义，因为有可能通过无限次经过负权圈使得最短路径无限短）。典型的启发式搜索算法步骤如下：

（1）以终止顶点 $t$ 为起点，使用 $Dijkstra$ 算法确定 $t$ 到其他顶点 $u$ 的最短距离 $d[u]$，这样在启发式搜索过程中，可以使用 $d[u]$ 的值作为 $h(x)$ 的参考值，此时 $h(x)$ 的精确值 $h^{\star }(x)=d[x.u]$。

（2）状态 $x$ 的初始值设置为：$x.u=s$，$x.fx=0$。根据启发式函数，有 $f(x)=g(x)+h(x)=x.fx+d[x.u]=d[x.u]$，将状态 $x$ 及 $f(x)$ 压入优先队列，将优先队列以 $f(x)$ 为键值进行排序，具有较小 $f(x)$ 值的状态排在队列的前端；

（3）从优先队列中取出位于队首的状态 $x$，根据图中从 $x.u$ 出发的边扩展状态 $y$，得到 $f(y)$，将状态 $y$ 及 $f(y)$ 压入优先队列；

（4）如果队首状态 $x$ 所在顶点 $x.u$ 第一次到达目标顶点 $t$，则表明找到了一条从 $s$ 到 $t$ 的最短路径，它的长度就是 $f(x)$。容易知道，当状态 $x$ 第二次到达目标顶点 $t$ 且当前的路径长度 $x.fx$ 大于第 $1$ 短路径的长度时，表明找到了次最短路径，$\cdots$，当第 $K$ 次到达目标顶点 $t$ 且 $x.fx$ 大于第 $K-1$ 短路径的长度时，就找到了从 $s$ 到 $t$ 的第 $K$ 短路径。

const int MAXV = 1010, MAXE = 100010, INF = 0x3f3f3f3f;

int n, m;
int cnt, head[MAXV];
int dist[MAXV], visited[MAXV];

struct edge { int v, w, next; } edges[MAXE];
struct state
{
    int u, fx;
    bool operator < (const state &s) const { return fx > s.fx; }
};

void clearEdge()
{
    cnt = 0;
    memset(head, -1, sizeof head);
}

void addEdge(int u, int v, int w)
{
    edges[cnt] = edge{v, w, head[u]};
    head[u] = cnt++;
}

priority_queue<state> q;

int ksp(vector<tuple<int, int, int>> &data, int s, int t, int k)
{
    clearEdge();
    for (auto d : data) addEdge(get<1>(d), get<0>(d), get<2>(d));

    for (int i = 0; i < n; i++) dist[i] = INF, visited[i] = 0;
    int u = t;
    dist[u] = 0;
    while (!visited[u])
    {
        visited[u] = 1;
        for (int i = head[u]; ~i; i = edges[i].next)
            if (!visited[edges[i].v] && dist[edges[i].v] > dist[u] + edges[i].w)
                dist[edges[i].v] = dist[u] + edges[i].w;
        int least = INF;
        for (int i = 0; i < n; i++)
            if (!visited[i] && dist[i] < least)
                least = dist[i], u = i;
            
    }

    clearEdge();
    for (auto d : data) addEdge(get<0>(d), get<1>(d), get<2>(d));

    while (!q.empty()) q.pop();
    q.push(state{s, dist[s]});

    int lastPathLength = -INF;
    while (!q.empty())
    {
        state s = q.top(); q.pop();
        int fx = s.w - dist[s.u];
        if (s.u == t && fx > lastPathLength)
	{
            lastPathLength = fx;
            if (!(--k)) return fx;
	}
        for (int i = head[s.u]; ~i; i = edges[i].next)
            q.push(state{edges[i].v, fx + edges[i].w + dist[edges[i].v]});
    }
    return -1;
}

对于无向图来说，如果允许第 $K$ 短路径出现圈，则可将一条无向边拆分为两条有向边，使用前述介绍的启发式搜索算法予以解决。如果第 $K$ 短路径不允许出现圈，应该如何处理呢？此时需要在状态 $x$ 中增加域，用于记录该状态已经经过的顶点，在扩展状态时，对于后续顶点，如果某个顶点是已经经过的顶点，则不能将此顶点作为后续顶点进行扩展。当路径上的顶点数目较小时，例如不大于 $64$ 个，则可以使用一个 $longlongint$ 型整数，以一个位来表示某个顶点是否在路径上，通过位运算来判定某个顶点是否是已经经过的顶点。不过此种方法存在局限，不能处理路径上具有较多顶点的情形。

$Yen$ 算法

$Yen$ 算法也是一种 $A^{\star }$ 算法，它所使用的启发函数与典型的 $A^{\star }$ 算法相同，但是在状态的含义即后续状态的扩展上与典型的 $A^{\star }$ 算法不同。$Yen$ 算法相较于典型的 $A^{\star }$ 算法具有更优的时间复杂度[3]。

该算法的核心思想以最短路径 $P_1$ 或者已经求得的第 $i$ 条最短偏离路径 $P_i$ 为基础，在 $P_i$ 上除了终止节点外的其他节点中确定偏离节点，构造候选路径，从候选路径集中找到最短的一条为最短偏离路径 $P_{i+1}$。不同的偏离路径算法确定偏离节点和偏离路径的方法不同。

该类算法中目前使用最广泛的算法是 $Yen$ 在 1971 年提出的以其名字命名的 $Yen$ 算法[4]。该算法在求 $P_{i+1}$ 时，要将 $P_i$ 上除了终止节点外的所有节点都视为偏离节点，并计算每个偏离节点到终止节点的最短路径，再与之前的 $P_i$ 上起始节点到偏离节点的路径拼接，构成候选路径，进而求得最短偏离路径。网络图中的节点数设为 $n$，边数设为 $m$，所求得路径数设为 $K$, 其时间复杂度为 $O(kn(m+nlogn))$。$Yen$ 算法的优点是易于理解，可以准确地找到图中任意两节点间的 $K$ 条最短路径，缺点是时间复杂度较高，时间代价较大，主要原因是在求 $P_{i+1}$ 时，要将 $P_i$ 上除了终止节点外的所有节点都视为偏离节点，从而在选择偏离节点发展候选路径时占用了大量的时间。

为提高运行速度，后人在此算法的基础上不断改进和发展。比较有效的算法之一是 $Martins$ 在 $1999$ 年提出的 $MPS$ 算法[5]，其特点是简化了偏离路径的长度计算，在生成候选边时不像 $Yen$ 算法那样计算每条候选路径的长度，而是要求更新每条弧上的减少长度，只选择长度减少最小的弧作为最短偏离路径，该算法在一般情况下可以提高运行速度，但是在最差的情况下与 $Yen$ 算法的时间复杂度一样。

强化练习：10740 Not the Best。

参考：

（1）https://blog.csdn.net/pi9nc/article/details/12256019。

（2）https://www.jianshu.com/p/ea0e6894259b。

（3）付媛, 朱礼军, 韩红旗. K最短路径算法与应用分析[J]. 情报工程, 2015, 1(1): 112-119.

（4）Yen J Y. Finding the K Shortest Loopless Paths in a Network[J]. Management Science, 1971, 17(11): 712-716.

（5）Martins E Q V, Pascoal M M B. A new implementation of Yen’s ranking loopless pathsalgorithm[J]. Quarterly Journal of the Belgian, French and Italian Operations Research Societies, 2003, 1(2): 121-133.