加权图
在了解狄克斯特拉算法之前,先介绍一下加权图。
如图,假设你要从起点出发到达终点,如果只考虑换乘少,即最短路径。那么可以使用广度优先搜索算法,该算法我之前简单的写过,链接点这里。但是,现在你要找出最快的路径,为此,可使用狄克斯特拉算法。
图中,每个数字表示的是时间,单位分钟。这些数字成为权重(weight),带权重的图成为加权图 (weight graph),不带权重的图称为非加权图(unweight graph)。
原理以及使用狄克斯特拉算法
狄克斯特拉算法包含4个步骤:
- 找出“最便宜”的节点,即可在最短时间内到达的节点;
- 更新该节点的邻居的开销。即对于该节点的邻居,检查是否有前往它们的更短路径,如果有,就更新其开销;
- 重复这个过程,直到对图中的每个节点都这样做了;
- 计算最终路径。
第一步:找出最便宜的节点。你站在起点,不知道前往节点A还是节点B。去A点需要6分钟,去B点需要2分钟。至于前往其他节点,你还不知道需要多长时间。所以你找出的最便宜的点是节点B。
节点 | 耗时 |
---|---|
A | 6 |
B | 2 |
终点 | infinity |
由于你还不知道前往终点需要多长时间,因此假设为无穷大。
第二步:计算经节点B前往其各个邻居所需的时间
节点 | 耗时 |
---|---|
A | 5 |
B | 2 |
终点 | 7 |

你找到了一条前往节点A的更短路径!直接前往A点需要6分钟,但经由节点B前往节点A只需要5分钟!那么对于节点B的邻居,你找到了前往它的更短路径,就更新其开销,对于节点B的邻居:节点A以及终点。
- 前往节点A的更短路径(时间由6分钟缩短为5分钟)
- 前往终点的更短路径(时间由无穷大缩短为7分钟)
第三步:重复!
重复第一步:找出可在最短时间内前往的节点。你对节点B执行了第二步,除节点B外,可在最短时间内前往的节点是节点A。
重复第二步:更新节点A的所有邻居的开销。
节点 | 耗时 |
---|---|
A | 5 |
B | 2 |
终点 | 6 |

你发现前往终点的时间为6分钟!
你对每个节点都运行了狄克斯特拉算法(无需对终点这样做)。现在,你知道:
- 前往节点B需要2分钟
- 前往节点A需要5分钟
- 前往终点需要6分钟
注意:狄克斯特拉算法只适用于有向无环图。而且如有负权边,也不能使用狄克斯特拉算法,这是可以使用贝尔曼-福德算法
算法实现(python)
以上图为例。
准备工作
要编写解决这个问题的代码,需要三个散列表。了解散列表点这里。
一个描述路线图的散列表、一个记录开销的散列表、一个记录父节点的散列表。
父节点:你可以这么理解,从起点到节点A,那么起点就是节点A的父节点。之所以要有这么个散列表,是因为选择的路径不同,到达的节点的父节点就不同。例如,
路线 | 耗时 | 节点A的父节点 |
---|---|---|
起点-->节点A | 6 | 起点 |
起点-->节点B-->节点A | 5 | 节点B |
在节点开销更新时,父节点也要更新。
路线描述 散列图
# 路线描述 散列表
graph = dict()
# 起点
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
# 节点a
graph["a"] = {}
graph["a"]["fin"] = 1
# 节点b
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
# 终点
graph["fin"] = {}
要想获得起点的所有邻居,可想下面这样做
>>>print (graph["start"].keys())
# 结果为:
['b','a']
有一条从起点到A的边,还有一条从起点到B的边。要获取这些变得权重的语法为:
>>>print (graph["start"]["a"])
# 输出为
6
>>>print (graph["start"]["b"])
# 输出为
2
开销记录 散列表
# 开销 散列表
infinity = float("inf")
costs = dict()
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity
父节点记录 散列表
# 父节点 散列表
parents = dict()
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = "None"
此外,你还需要一个数组,用于记录处理过的节点,因为对于同一个节点,你不用处理多次。
processed = [] # 用于记录处理过的节点
准备工作做好了,下面来看看具体算法。
node = find_lowest_cost_node(costs) # 未处理的节点中找出开销最小的节点
while node is not None: # while循环在所有节点都被处理过后结束
cost = costs[node]
neighbors = graph[node]
for n in neighbors.keys(): # 遍历当前节点的所有邻居
new_cost = cost + neighbors[n]
if new_cost < costs[n]: # 如果当前节点前往该邻居更近
costs[n] = new_cost # 更新该邻居的开销
parents[n] = node # 同时将该邻居的父节点设置为当前节点
processed.append(node) # 将当前节点标记为已处理过
node = find_lowest_cost_node(costs) # 找出接下来要处理的节点,并循环
# 函数find_lowest_cost_node(costs)的定义
def find_lowest_cost_node(costs):
# 每次都初始化
lowest_cost = float("inf")
lowest_cost_node = None
for node in costs: # 遍历所有节点
cost = costs[node]
if cost < lowest_cost and node not in processed: #如果当前节点开销更小且未处理过
lowest_cost = cost
lowest_cost_node = node # 就将其是为开销最低的节点
return lowest_cost_node
结果与分析的一致
小结
- 广度优先搜索用于在非加权图中查找最短路径
- 狄克斯特拉算法用于在加权图中查找最短路径
- 仅当权重为正时狄克斯特拉算法才管用
- 如果图中包含负权边,狄克斯特拉算法无效,请使用贝尔曼-福德算法
完整代码如下:
# # 路线描述 散列表
graph = dict()
# 起点
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
# 节点a
graph["a"] = {}
graph["a"]["fin"] = 1
# 节点b
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
# 终点
graph["fin"] = {}
# 开销 散列表
infinity = float("inf")
costs = dict()
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity
# 父节点 散列表
parents = dict()
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = "None"
processed = [] # 用于记录处理过的节点
def find_lowest_cost_node(costs):
# 初始化
lowest_cost = float("inf")
lowest_cost_node = None
for node in costs: # 遍历所有节点
cost = costs[node]
if cost < lowest_cost and node not in processed: #如果当前节点开销更小且未处理过
lowest_cost = cost
lowest_cost_node = node # 就将其是为开销最低的节点
return lowest_cost_node
node = find_lowest_cost_node(costs) # 未处理的节点中找出开销最小的节点
while node is not None: # while循环在所有节点都被处理过后结束
cost = costs[node]
neighbors = graph[node]
for n in neighbors.keys(): # 遍历当前节点的所有邻居
new_cost = cost + neighbors[n]
if new_cost < costs[n]: # 如果当前节点前往该邻居更近
costs[n] = new_cost # 更新该邻居的开销
parents[n] = node # 同时将该邻居的父节点设置为当前节点
processed.append(node) # 将当前节点标记为已处理过
node = find_lowest_cost_node(costs) # 找出接下来要处理的节点,并循环