图论——最短路

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