数据结构与算法44丨最短路径：地图软件是如何计算出最优出行路径的？

基础篇的时候，我们学习了图的两种搜索算法，深度优先搜索和广度优先搜索。这两种算法主要是针对无权图的搜索算法。针对有权图，也就是图中的每条边都有一个权重，我们该如何计算两点之间的最短路径（经过的边的权重和最小）呢？今天，我就从地图软件的路线规划问题讲起，带你看看常用的最短路径算法（Shortest Path Algorithm）。

像 Google 地图、百度地图、高德地图这样的地图软件，我想你应该经常使用吧？如果想从家开车到公司，你只需要输入起始、结束地址，地图就会给你规划一条最优出行路线。这里的最优，有很多种定义，比如最短路线、最少用时路线、最少红绿灯路线等等。作为一名软件开发工程师，你是否思考过，地图软件的最优路线是如何计算出来的吗？底层依赖了什么算法呢？

算法解析

我们刚提到的最优问题包含三个：最短路线、最少用时和最少红绿灯。我们先解决最简单的，最短路线。

解决软件开发中的实际问题，最重要的一点就是建模，也就是将复杂的场景抽象成具体的数据结构。针对这个问题，我们该如何抽象成数据结构呢？

我们之前也提到过，图这种数据结构的表达能力很强，显然，把地图抽象成图最合适不过了。我们把每个岔路口看作一个顶点，岔路口与岔路口之间的路看作一条边，路的长度就是边的权重。如果路是单行道，我们就在两个顶点之间画一条有向边；如果路是双行道，我们就在两个顶点之间画两条方向不同的边。这样，整个地图就被抽象成一个有向有权图。

具体的代码实现，我放在下面了。于是，我们要求解的问题就转化为，在一个有向有权图中，求两个顶点间的最短路径。

	public class Graph { // 有向有权图的邻接表表示
	private LinkedList<Edge> adj[]; // 邻接表
	private int v; // 顶点个数
	public Graph(int v) {
	this.v = v;
	this.adj = new LinkedList[v];
	for (int i = 0; i < v; ++i) {
	this.adj[i] = new LinkedList<>();
	}
	}
	public void addEdge(int s, int t, int w) { // 添加一条边
	this.adj[s].add(new Edge(s, t, w));
	}
	private class Edge {
	public int sid; // 边的起始顶点编号
	public int tid; // 边的终止顶点编号
	public int w; // 权重
	public Edge(int sid, int tid, int w) {
	this.sid = sid;
	this.tid = tid;
	this.w = w;
	}
	}
	// 下面这个类是为了 dij