迪杰斯特拉

 

void d(int begin){
    init();
    dist[begin]=0;
    while(1){
        int i,u=-1,v;
        int min=INF;
        for(i=1;i<=n;++i){
            if(!sure[i]&&dist[i]<min){//找到最小的
                min=dist[i];
                u=i;
            }
        }
        if(u==-1){
            break;//结束没有了
        }
        //已经找到了最小的点
        //现在将这个点加入
        sure[u]=1;
        //更新
        for(v=1;v<=n;++v){
            if(g[u][v]!=-1&&dist[v]>dist[u]+g[u][v]){
                dist[v]=dist[u]+g[u][v];
            }
        }

    }

}

单源最短路

该博客的单源最短路算法要解决的就是在一个没有负权边的图上，找出所有点与源点 ss 的最短路径，这样一个问题。这里介绍迪杰斯特拉 O(n2)O(n2) 解法与堆优化 O(mlogm)O(mlog⁡m) 解法，其中 nn 为图上节点数量，mm 为图上边的数量。 
不介绍也不推荐玄学复杂度的 spfaspfa 解法。

朴素写法思路：贪心

1. 首先将所有点与源点的距离设为无穷大（记录在 disdis 数组中），ss 与自己的距离初始化为 00，还有一个表示“已经确定最短路径长度”的节点集合 SetSet。
2. 然后不断从不属于 SetSet 集合的点中找到一个 disdis 最小的点 xx，那么这个点在以后的操作中一定不会再更新（由于边权非负，所以如果后面最短路径将通过其他点 yy 到达 xx，那么这个值最小为 disy+disy→⋯→x≥disydisy+disy→⋯→x≥disy，由于 disy≥disxdisy≥disx，所以可以保证在后续运行过程中 disxdisx 不会被更新为更小的值），将这个点加入集合 SetSet 中，然后更新所有与 xx 相邻节点的 distdist 为 min(dist,disx+disx→t)min(dist,disx+disx→t)。
3. 不断重复第二步，直到所有点的最短路径都被找到 / 所有点都在 SetSet 集合中。

朴素写法时间复杂度

从上面的算法可以看出，大循环要将所有点都加入集合一次，而每次寻找这个“不在集合中且 disxdisx 最小的点”需要一次 O(n)O(n) 的循环，接着更新所有与 xx 邻接的点（最多有 nn 个点），这里也需要 O(n)O(n)，所以大循环为 O(n)O(n)，小循环为 O(n+n)O(n+n)，整体时间复杂度为 O(n×(n+n))=O(n2)O(n×(n+n))=O(n2)。

O(n2)O(n2) 代码

const int maxn = 1000 + 100;
struct Node {
    int pos;
    int dis;
    Node() {}
    Node(int p, int d) {
        pos = p;
        dis = d;
    }
};
int n;
int dis[maxn];
bool vis[maxn];
vector<Node> G[maxn];

void dij(int s) {
    // 距离初始化
    fill(dis, dis + n + 1, INT_MAX);
    dis[s] = 0;
    int cnt = n;
    // cnt 表示不在集合中的节点个数
    while(cnt > 0) {
        int Min = INT_MAX;
        int x;
        // 寻找不在集合中的，距离 s 最近的节点
        for(int i = 1; i <= n; ++i) {
            if(!vis[i] && dis[i] < Min) {
                Min = dis[i];
                x = i;
            }
        }
        // 将节点 x 加入集合
        --cnt;
        vis[x] = true;
        // 更新节点 x 的邻接节点
        int len = G[x].size();
        for(int i = 0; i < len; ++i) {
            int pos = G[x][i].pos;
            int d = G[x][i].dis;
            dis[pos] = min(dis[pos], dis[x] + d);
        }
    }
}

堆优化

上面能够优化的时间复杂度是在“找到不在集合中的离 ss 最近的点”（每个点必须要进入集合才算更新结束，所以大循环的 O(n)O(n) 是无法减小的），我们能否通过一些排序操作，使得能够快速地找到这个点 xx 呢？ 
这里就可以用到一个“小顶堆”的数据结构，它能够在 O(logn)O(log⁡n)（其中 nn 为堆中的元素数量）的时间复杂度内完成插入、删除最小值的操作，在 O(1)O(1) 的时间复杂度内完成取堆内最小值的操作。于是我们可以将上面的查找这一步操作放入到堆中，时间复杂度就能下降到 O(logn)O(log⁡n)。 
但这里要注意一点，在我们查找之后，是可以更新这个点的最短距离的，但是小顶堆不允许访问、更改堆内元素，只能访问堆顶元素，所以如果将点与当前最短距离放入堆内，将存在一些多余的点（更新时该点还未从堆顶弹出），而这些所有数据最多有 mm 个，mm 为图上边的数量。 
这里可以标记某个点 xx 已经在 SetSet 集合中，这样在其他指向 xx 的点更新到 xx 的时候，就不必再重复判断。 
但是这种做法是多余的，因为如果 xx 已经在 SetSet 集合中，则指向 xx 的 yy 点必然无法更新 disxdisx 的值，所以实际上可以放任不管。

堆优化时间复杂度

从上面可以看出，这个代码应该类似于 bfsbfs 的代码，只是将队列改为优先队列（小顶堆），这样就能保证优先弹出的是距离 ss 最短的（但不能保证不在集合 SetSet 中），整体的大循环应该是每个点都进入队列（不只一次）然后出队列，这个次数由图上的边数决定，为 O(m)O(m)（其中 mm 为图上边的数量），而在堆中，最多会被存放 mm 个数据点，所以小循环内应该是 O(logm)O(log⁡m)，所以整体的时间复杂度为 O(mlogm)O(mlog⁡m)。

O(mlogm)O(mlog⁡m) 代码

const int maxn = 1000 + 100;
struct Node {
    int pos;
    int dis;
    Node() {}
    Node(int p, int d) {
        pos = p;
        dis = d;
    }
};
// 由于优先队列默认为大顶堆，所以重载小于号要用 a.dis > b.dis，来起到小顶堆的作用
bool operator<(const Node &a, const Node &b) {
    return a.dis > b.dis;
}
int n;
int dis[maxn];
vector<Node> G[maxn];
priority_queue<Node> que;

void dij(int s) {
    // 初始化距离
    fill(dis, dis + n + 1, INT_MAX);
    dis[s] = 0;
    que.push(Node(s, 0));
    while(!que.empty()) {
        Node tmp = que.top();
        que.pop();
        // 更新节点 tmp 的邻接节点，若邻接节点被更新，则将节点和 dis 加入小顶堆
        int len = G[tmp.pos].size();
        for(int i = 0; i < len; ++i) {
            int pos = G[tmp.pos][i].pos;
            int d = G[tmp.pos][i].dis;
            if(dis[pos] > tmp.dis + d) {
                dis[pos] = tmp.dis + d;
                que.push(Node(pos, dis[pos]));
            }
        }
    }
}

两种写法的比较

两种写法最大的区别在于时间复杂度，第一种是 O(n2)O(n2)，第二种是 O(mlogm)O(mlog⁡m)，在大多数情况下都可以用第二种写法（例如题目给出 mm 的数据范围在 [1,106][1,106] 内），但是在节点数 nn 比较大的完全图（完全图的边数为 m=C2n=n×(n−1)2m=Cn2=n×(n−1)2，）下，第二种的时间复杂度就为 O(n2logn2)O(n2log⁡n2)，这样第二种写法的时间复杂度就会比第一种大，在 nn 超过 10001000 时，完全图情况下就只能用第一种写法，因此朴素写法并不是没有用的。