引入
最短路,从字面意义上理解就是两点之间权值最短的路径,那我们如何实现找到这个路径呢?
算法一,Floyd
我们知道,两点之间的最短距离的优化,通常都是通过另外一个点来实现的,如下图
点u到点w本来距离是9,但如果经过v点的中转优化,最小距离值就从9优化到了3+4=7了
那么通过这个例子,我们就可以得出这个算法的思想,也就是通过枚举起始点,中转点,目标点来不断优化两点之间的最小距离
这是最简易的方法,复杂度也是最大的
时间:O(n^3)
空间:O(n^2)
这种方法,只要n<=500,都不会TLE。一般适合用于需要求多个点之间的最小距离(但是这个还是要看具体题目,有些还是要用到别的算法),或是直接打印最小距离的地图
for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
for(k=1;k<=n;k++)
if(e[j][k]>e[j][i]+e[i][k]) e[j][k]=e[j][i]+e[i][k];
这边解释一下三层循环的意义
为什么第一层放中转点?因为每次的更新都是因为中转点而更新,如果第一层放起始点,那么就会出现这样情况
a到c的距离如果只经过b点的优化的话,那么值为7。但是实际上,最短路径却是a到b到d到c,权值和为6
算法二,Dijkstra
Floyd固然很方便,但是遇到大数据就TLE了,所以我们需要有种更快的算法。
我们不妨理解Floyd为盲目的优化更新,我们需要更有针对性的算法,也就是每次都只为源点服务的算法,也就是说,我们要尽量优化每一个点到源点的距离
我们先用邻接矩阵或邻接表存储每个点到源点的距离,后期在这里进行优化和修改
每次循环,我们找到与源点最接近的点。因为它是最近的点,所以为了更新到源点的距离,想到要得到最近也只能通过这个点来优化。
用个比喻来形象的理解,每次与源点最接近的点不妨看做班上的“好学生”,源点为老师心中的“理想学生”,为了更接近老师心中的“理想学生”,最好的优化就是向“好学生”学习。
这里的“学习”,我们称之为“松弛”
插入一个引例(图片部分来自《啊哈算法》)
(默认点1为源点)
那么点与点之间的距离表达如下(这里使用的是领接矩阵)
以及初始到源点的距离
首先我们可以看出,目前距离源点最近的点是点2,所以我们通过点2松弛其余各点
松弛之后,当前距离源点最近的点是点4,所以我们通过点4松弛
松弛之后,当前距离源点最近的点是点3,所以我们通过点3松弛(接下来直接上图)
松弛之后,当前距离源点最近的点是点5,所以我们通过点5松弛
松弛点6
代码如下(这里使用的是经过邻接表+优先队列的优化)
#include<iostream>
#include<cstdio>
#include<queue>
using