图的简单理解

1、图的基本概念

图是由顶点集合及顶点间的关系组成的一种数据结构：G = (V， E)，其中：

顶点集合V = {x|x属于某个数据对象集}是有穷非空集合；

E = {(x,y)|x,y属于V}或者E = {<x, y>|x,y属于V && Path(x, y)}是顶点间关系的有穷集合，也叫做边的集合。

(x, y)表示x到y的一条双向通路，即(x, y)是无方向的；Path(x, y)表示从x到y的一条单向通路，即Path(x, y)是有方向的。

顶点和边：图中结点称为顶点，第i个顶点记作vi。两个顶点vi和vj相关联称作顶点vi和顶点vj之间有一条边，图中的第k条边记作ek，ek = (vi，vj)或<vi，vj>。

有向图和无向图：在有向图中，顶点对<x, y>是有序的，顶点对<x，y>称为顶点x到顶点y的一条
边(弧)，<x, y>和<y, x>是两条不同的边，比如下图G3和G4为有向图。在无向图中，顶点对(x, y)是无序的，顶点对(x,y)称为顶点x和顶点y相关联的一条边，这条边没有特定方向，(x, y)和(y，x)是同一条边，比如下图G1和G2为无向图。注意：无向边(x, y)等于有向边<x, y>和<y, x>。

完全图：在有n个顶点的无向图中，若有n * (n-1)/2条边，即任意两个顶点之间有且仅有一条边，则称此图为无向完全图，比如上图G1；在n个顶点的有向图中，若有n * (n-1)条边，即任意两个顶点之间有且仅有方向相反的边，则称此图为有向完全图，比如上图G4。

邻接顶点：在无向图中G中，若(u, v)是E(G)中的一条边，则称u和v互为邻接顶点，并称边(u,v)依附于顶点u和v；在有向图G中，若<u, v>是E(G)中的一条边，则称顶点u邻接到v，顶点v邻接自顶点u，并称边<u, v>与顶点u和顶点v相关联。

顶点的度：顶点v的度是指与它相关联的边的条数，记作deg(v)。在有向图中，顶点的度等于该顶点的入度与出度之和，其中顶点v的入度是以v为终点的有向边的条数，记作indev(v);顶点v的出度是以v为起始点的有向边的条数，记作outdev(v)。因此：dev(v) = indev(v) + outdev(v)。注意：对于无向图，顶点的度等于该顶点的入度和出度，即dev(v) = indev(v) = outdev(v)。

路径：在图G = (V， E)中，若从顶点vi出发有一组边使其可到达顶点vj，则称顶点vi到顶点vj的顶点序列为从顶点vi到顶点vj的路径。

路径长度：对于不带权的图，一条路径的路径长度是指该路径上的边的条数；对于带权的图，一条路径的路径长度是指该路径上各个边权值的总和

简单路径与回路：若路径上各顶点v1，v2，v3，…，vm均不重复，则称这样的路径为简单路径。若路径上第一个顶点v1和最后一个顶点vm重合，则称这样的路径为回路或环。

子图：设图G = {V, E}和图G1 = {V1，E1}，若V1属于V且E1属于E，则称G1是G的子图

连通图：在无向图中，若从顶点v1到顶点v2有路径，则称顶点v1与顶点v2是连通的。如果图中任意一对顶点都是连通的，则称此图为连通图。

强连通图：在有向图中，若在每一对顶点vi和vj之间都存在一条从vi到vj的路径，也存在一条从vj
到vi的路径，则称此图是强连通图。

生成树：一个连通图的最小连通子图称作该图的生成树。有n个顶点的连通图的生成树有n个顶点和n-1条边。

2、图的存储结构

因为图中既有节点，又有边(节点与节点之间的关系)，因此，在图的存储中，只需要保存：节点和边关系即可。节点保存比较简单，只需要一段连续空间即可，那边关系该怎么保存呢？

2.1 邻接矩阵

因为节点与节点之间的关系就是连通与否，即为0或者1，因此邻接矩阵(二维数组)即是：先用一个数组将定点保存，然后采用矩阵来表示节点与节点之间的关系

注意：

1. 无向图的邻接矩阵是对称的，第i行(列)元素之和，就是顶点i的度。有向图的邻接矩阵则不一
   定是对称的，第i行(列)元素之后就是顶点i 的出(入)度
2. 如果边带有权值，并且两个节点之间是连通的，上图中的边的关系就用权值代替，如果两个
   顶点不通，则使用无穷大代替

3. 用邻接矩阵存储图的有点是能够快速知道两个顶点是否连通，缺陷是如果顶点比较多，边比较少时，矩阵中存储了大量的0成为系数矩阵，比较浪费空间，并且要求两个节点之间的路径不是很好求。

namespace matrix
{
	//W--weight权重
	//Direction false表示无向图，true表示有向图
	template<class V, class W, W MAX_W = INT_MAX, bool Direction = false>
	class Graph
	{
	public:
		Graph() = default;
		//图的创建
		//1. IO输入——不方便测试，oj中更合适
		//2. 图结构关系写到文件，读取文件
		//3. 手动添加边
		Graph(const V* a, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; ++i)
			{
				_vertexs.push_back(a[i]);
				_indexMap[a[i]] = i;
			}
			_matrix.resize(n);
			for (size_t i = 0; i < _matrix.size(); ++i)
			{
				_matrix[i].resize(n, MAX_W);
			}
		}

		//获取顶点的下标
		size_t GetVertexIndex(const V& v)
		{
			auto it = _indexMap.find(v);
			if (it != _indexMap.end())
			{
				return it->second;
			}
			else
			{
				throw invalid_argument("顶点不存在");
				return -1;
			}
		}

		//添加边，可以通过下标添加，也可以通过顶点添加
		void AddEdge(const V& src, const V& dst, const W& w)
		{
			size_t srci = GetVertexIndex(src);
			size_t dsti = GetVertexIndex(dst);
			_matrix[srci][dsti] = w;

			//无向图
			if (Direction == false)
			{
				_matrix[dsti][srci] = w;
			}
		}

		//通过顶点添加边
		void _AddEdge(size_t srci, size_t dsti, const W& w)
		{
			_matrix[srci][dsti] = w;

			//无向图
			if (Direction == false)
			{
				_matrix[dsti][srci] = w;
			}
		}

		void print()
		{
			//顶点
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << "[" << i << "]" << "->" << _vertexs[i] << endl;
			}
			cout << endl;

			//矩阵
			//打印横下标
			cout << "  ";
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << i << " ";
			}
			cout << endl;
			for (size_t i = 0; i < _matrix.size(); ++i)
			{
				cout << i << " ";//竖下标
				for (size_t j = 0; j < _matrix[i].size(); ++j)
				{
					if (_matrix[i][j] == MAX_W)
					{
						cout << "*" << " ";
					}
					else
						cout << _matrix[i][j] << " ";
				}
				cout << endl;
			}
			cout << endl;
		}

	private:
		vector<V> _vertexs;			//顶点集合
		map<V, int> _indexMap;		//顶点映射的下标
		vector<vector<W>> _matrix;	//邻接矩阵
	};

	void test1()
	{
		Graph<char, int, INT_MAX, true> g("0123", 4);
		g.AddEdge('0', '1', 1);
		g.AddEdge('0', '3', 4);
		g.AddEdge('1', '3', 2);
		g.AddEdge('1', '2', 9);
		g.AddEdge('2', '3', 8);
		g.AddEdge('2', '1', 5);
		g.AddEdge('2', '0', 3);
		g.AddEdge('3', '2', 6);
		g.print();
	}
}

2.2 邻接表

使用数组表示顶点的集合，使用链表表示边的关系

无向图邻接表存储

注意：无向图中同一条边在邻接表中出现了两次。如果想知道顶点vi的度，只需要知道顶点vi边链表集合中结点的数目即可

有向图邻接表存储

有向图中每条边在邻接表中只出现一次，与顶点vi对应的邻接表所含结点的个数，就是该顶点的出度，也称出度表，要得到vi顶点的入度，必须检测其他所有顶点对应的边链表，看有多少边顶点的dst取值是i

namespace link_table
{
	template<class W>
	struct Edge
	{
		//int _srci;
		int	_dsti;	//目标点的下标
		W _w;		//权值
		Edge<W>* _next;

		Edge(int dsti, const W& w)
			:_dsti(dsti)
			,_w(w)
			,_next(nullptr)
		{}
	};

	//W--weight权重
	template<class V, class W, bool Direction = false>
	class Graph
	{
	public:
		using Edge = Edge<W>;
		Graph(const V* a, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; ++i)
			{
				_vertexs.push_back(a[i]);
				_indexMap[a[i]] = i;
			}

			_tables.resize(n, nullptr);
		}

		//获取顶点的下标
		size_t GetVertexIndex(const V& v)
		{
			auto it = _indexMap.find(v);
			if (it != _indexMap.end())
			{
				return it->second;
			}
			else
			{
				throw invalid_argument("顶点不存在");
				return -1;
			}
		}

		//添加边
		void AddEdge(const V& src, const V& dst, const W& w)
		{
			size_t srci = GetVertexIndex(src);
			size_t dsti = GetVertexIndex(dst);

			//1->2
			Edge* eg = new Edge(dsti, w);
			//头插法进行连接
			eg->_next = _tables[srci];
			_tables[srci] = eg;

			//如果是无向图  2->1
			if (Direction == false)
			{
				Edge* eg = new Edge(srci, w);
				//头插法进行连接
				eg->_next = _tables[dsti];
				_tables[dsti] = eg;
			}
		}

		void print()
		{
			//顶点
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << "[" << i << "]" << "->" << _vertexs[i] << endl;
			}
			cout << endl;

			for (size_t i = 0; i < _tables.size(); ++i)
			{
				cout << _vertexs[i] << "[" << i << "]->";
				Edge* cur = _tables[i];
				while (cur)
				{
					cout <<"["<< _vertexs[cur->_dsti] << ":" << cur->_dsti << ":" << cur->_w << "]->";
					cur = cur->_next;
				}
				cout << "nullptr" << endl;  
			}
		}

	private:
		vector<V> _vertexs;			//顶点集合
		map<V, int> _indexMap;		//顶点映射的下标
		vector<Edge*> _tables;		//邻接表,下标表示源点，下标所有对应的元素表示目标点
	};

	void test1()
	{
		string a[] = { "张三", "李四","王五","赵六" };
		Graph<string, int, true>g1(a, 4);
		g1.AddEdge("张三", "李四", 100);
		g1.AddEdge("张三", "王五", 200);
		g1.AddEdge("王五", "赵六", 30);
		g1.print();
	}
}

3、图的遍历

给定一个图G和其中任意一个顶点v0，从v0出发，沿着图中各边访问图中的所有顶点，且每个顶点仅被遍历一次。"遍历"即对结点进行某种操作的意思。

3.1 广度优先遍历

使用队列存储需要访问的节点，并对队列中的节点进行标记

//邻接矩阵
void BFS(const V& src)
{
	size_t srci = GetVertexIndex(src);
	//队列和标记数组
	queue<int> q;
	vector<bool> visited(_vertexs.size(), false);
	q.push(srci);
	visited[srci] = true;

	size_t n = _vertexs.size();
	while (!q.empty())
	{
		int front = q.front();
		q.pop();
		cout << front << ":" << _vertexs[front] << endl;
		//如果front顶点的邻接顶点没有访问过，就入队列，并进行标记
		for (size_t i = 0; i < n; ++i)
		{
			if (_matrix[front][i] != MAX_W && visited[i] == false)
			{
				q.push(i);
				visited[i] = true;
			}
		}
	}
	cout << endl;
}

3.2 深度优先遍历

深度优先遍历从某个顶点出发，访问此顶点，然后从v的未被访问的邻接点触发深度优先便利图，直至所有和v有路径想通的顶点都被访问到。

void _DFS(size_t srci, vector<bool>& visited)
{
	cout << srci << ":" << _vertexs[srci] << endl;
	//标记已经访问过的点
	visited[srci] == true;
	//找一个srci相邻的没有访问过的点，进行深度遍历
	for (size_t i = 0; i < _vertexs.size(); ++i)
	{
		if (_matrix[srci][i] != MAX_W && visited[i] == false)
		{
			_DFS(i, visited);
		}
	}
}

void DFS(const V& src)
{
	size_t srci = GetVertexIndex(src);
	vector<bool> visited(_vertexs.size(), false);
	_DFS(srci, visited);
}

无论是深度优先遍历还是广度优先遍历，如果一个图不是连通图，那么以某个点为起点就不能保证将整个图遍历完。因此所有节点都应该当做起点，然后进行遍历

4、最小生成树

连通图中的每一棵生成树，都是原图的一个极大无环子图，即：从其中删去任何一条边，生成树就不在连通；反之，在其中引入任何一条新边，都会形成一条回路。

若连通图由n个顶点组成，则其生成树必含n个顶点和n-1条边。因此构造最小生成树的准则有三条：

1. 只能使用图中的边来构造最小生成树
2. 只能使用恰好n-1条边来连接图中的n个顶点
3. 选用的n-1条边不能构成回路

构造最小生成树的方法：Kruskal算法和Prim算法。这两个算法都采用了逐步求解的贪心策略

如果一个连通图有多个最小生成树，那么Kruskal算法和Prim算法只会生成其中一个

贪心算法：是指在问题求解时，总是做出当前看起来最好的选择。也就是说贪心算法做出的不是整体最优的的选择，而是某种意义上的局部最优解。贪心算法不是对所有的问题都能得到整体最优解。

4.1 Kruskal算法

任给一个有n个顶点的连通网络N={V,E}，首先构造一个由这n个顶点组成、不含任何边的图G={V,NULL}，其中每个顶点自成一个连通分量，其次不断从E中取出权值最小的一条边(若有多条任取其一)，若该边的两个顶点来自不同的连通分量，则将此边加入到G中。如此重复，直到所有顶点在同一个连通分量上为止。

核心：每次迭代时，选出一条具有最小权值，且两端点不在同一连通分量上的边，加入生成树。

判断两个端点是否在同一连通分量上就采用并查集

using Self = Graph<V, W, MAX_W, Direction>;

struct Edge
{
	size_t _srci;
	size_t _dsti;
	W _w;

	Edge(size_t srci, size_t dsti, const W& w)
		:_srci(srci)
		, _dsti(dsti)
		, _w(w)
	{}

	bool operator<(const Edge& e) const
	{
		return this->_w < e._w;
	}

	bool operator>(const Edge& e) const
	{
		return this->_w > e._w;
	}
};

W Kruskal(Self& minTree)
{
	size_t n = _vertexs.size();
	minTree._vertexs = _vertexs;
	minTree._indexMap = _indexMap;
	minTree._matrix.resize(n);
	for (size_t i = 0; i < n; ++i)
	{
		minTree._matrix[i].resize(n, MAX_W);
	}
	//建立优先级队列，小堆，方便每次都取最小的边
	priority_queue<Edge, vector<Edge>, greater<Edge>> minq;

	for (size_t i = 0; i < n; ++i)
	{
		for (size_t j = 0; j < i; ++j)
		{
			if (_matrix[i][j] != MAX_W)
			{
				minq.push(Edge(i, j, _matrix[i][j]));
			}
		}
	}

	//选出n-1条边
	int size = 0;
	W totalW = W();
	//使用并查集判断两个点是否在同一个连通分量0
	UnionFindSet ufs(n);
	while (!minq.empty())
	{
		Edge min = minq.top();
		minq.pop();
		//不在同一个连通分量
		if (!ufs.InSet(min._srci, min._dsti))
		{
			cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
			minTree._AddEdge(min._srci, min._dsti, min._w);
			//合并到同一个分量中
			ufs.Union(min._srci, min._dsti);
			++size;
			totalW += min._w;
		}
		else
		{
			cout << "构成环: ";
			cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
		}
	}
	if (size == n - 1)
	{
		return totalW;
	}
	//没有构造最小生成树
	else
	{
		return W();
	}
}

4.2 Prim算法

Prim算法每一次选边都能保证不存在环，因此不需要像Kruskal算法那样维护一个并查集。但是Prim算法是将图分为两个部分，每次分别从这两个部分中选择条边，并保证这个边是最小的。

W Prim(Self& minTree, const W& src)
{
	size_t srci = GetVertexIndex(src);
	size_t n = _vertexs.size();

	minTree._vertexs = _vertexs;
	minTree._indexMap = _indexMap;
	minTree._matrix.resize(n);
	for (size_t i = 0; i < n; ++i)
	{
		minTree._matrix[i].resize(n, MAX_W);
	}

	set<int> X;
	set<int> Y;
	X.insert(srci);
	for (size_t i = 0; i < n; ++i)
	{
		if (i != srci)
		{
			Y.insert(i);
		}
	}
	//从X->Y集合中连接的边里面选出最小的边
	priority_queue<Edge, vector<Edge>, greater<Edge>> minq;
	//先把srci连接的边添加到队列中
	for (size_t i = 0; i < n; ++i)
	{
		if (_matrix[srci][i] != MAX_W)
		{
			minq.push(Edge(srci, i, _matrix[srci][i]));
		}
	}

	size_t size = 0;
	W totalW = W();
	while (!minq.empty())
	{
		Edge min = minq.top();
		minq.pop();
		//一条边的两个顶点在同一集合中，则不能选择
		if (X.count(min._srci) == 1 && X.count(min._dsti))
		{
			cout << "构成环: ";
			cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << _matrix[min._srci][min._dsti] << endl;
			continue;
		}
		minTree._AddEdge(min._srci, min._dsti, min._w);
		X.insert(min._dsti);
		Y.erase(min._dsti);
		++size;
		totalW += min._w;
		cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << _matrix[min._srci][min._dsti] << endl;
		if (size == n - 1)
		{
			break;
		}
		for (size_t i = 0; i < n; ++i)
		{
			if (_matrix[min._dsti][i] != MAX_W && X.count(i) == 0)
			{
				minq.push(Edge(min._dsti, i, _matrix[min._dsti][i]));
			}
		}
	}

	if (size == n - 1)
	{
		return totalW;
	}
	//没有构造最小生成树
	else
	{
		return W();
	}
}

5、最短路径

最短路径问题：从在带权有向图G中的某一顶点出发，找出一条通往另一顶点的最短路径，最短也就是沿路径各边的权值总和达到最小。

5.1 单源最短路径–Dijkstra算法

单源最短路径问题：给定一个图G = ( V ， E ) G=(V，E)G=(V，E)，求源结点s ∈ V s∈Vs∈V到图中每个结点v ∈ V v∈Vv∈V的最短路径。Dijkstra算法就适用于解决带权重的有向图上的单源最短路径问题，同时算法要求图中所有边的权重非负。一般在求解最短路径的时候都是已知一个起点和一个终点，所以使用Dijkstra算法求解过后也就得到了所需起点到终点的最短路径。

针对一个带权有向图G，将所有结点分为两组S和Q，S是已经确定最短路径的结点集合，在初始时为空（初始时就可以将源节点s放入，毕竟源节点到自己的代价是0），Q 为其余未确定最短路径的结点集合，每次从Q 中找出一个起点到该结点代价最小的结点u ，将u 从Q 中移出，并放入S中，对u 的每一个相邻结点v 进行松弛操作。松弛即对每一个相邻结点v ，判断源节点s到结点u的代价与u 到v 的代价之和是否比原来s 到v 的代价更小，若代价比原来小则要将s 到v 的代价更新为s 到u 与u 到v 的代价之和，否则维持原样。如此一直循环直至集合Q 为空，即所有节点都已经查找过一遍并确定了最短路径，至于一些起点到达不了的结点在算法循环后其代价仍为初始设定的值，不发生变化。Dijkstra算法每次都是选择V-S中最小的路径节点来进行更新，并加入S中，所以该算法使用的是贪心策略。

Dijkstra算法存在的问题是不支持图中带负权路径，如果带有负权路径，则可能会找不到一些路径的最短路径。

//dist用于存储src到其他节点的最短路径权值，pPath用于存储src到当前节点的路径的上一个节点
//顶点个数N，空间复杂度O(N)，时间复杂度O(N^2)
void Dijkstra(const V& src, vector<W>& dist, vector<int>& pPath)
{
	size_t srci = GetVertexIndex(src);
	size_t n = _vertexs.size();
	dist.resize(n, MAX_W);
	pPath.resize(n, -1);

	//第一个节点到自己的距离为0,自己是自己的上一个节点
	dist[srci] = 0;
	pPath[srci] = srci;

	//已经确定最短路径的顶点集合
	vector<bool> S(n, false);

	for (size_t j = 0; j < n; ++j)
	{
		//选择没有确定最短路径的顶点
		int u = 0;
		W min = MAX_W;
		for (size_t i = 0; i < n; ++i)
		{
			//每次都选择最短路径的顶点
			if (S[i] == false && dist[i] < min)
			{
				u = i;
				min = dist[i];
			}
		}
		S[u] = true;
		//松弛更新u连接顶点v srci->u + u->v < srci->v  更新
		for (size_t v = 0; v < n; ++v)
		{
			//srci->v不是最短路径并且有新的最短路径就需要更新
			if (S[v] == false && _matrix[u][v] != MAX_W && dist[u] + _matrix[u][v] < dist[v])
			{
				dist[v] = dist[u] + _matrix[u][v];
				pPath[v] = u;
			}
		}
	}
}

5.2 单源最短路径–Bellman-Ford算法

Dijkstra算法只能用来解决正权图的单源最短路径问题，但有些题目会出现负权图。这时这个算法就不能帮助我们解决问题了，而bellman—ford算法可以解决负权图的单源最短路径问题。它的优点是可以解决有负权边的单源最短路径问题，而且可以用来判断是否有负权回路。它也有明显的缺点，它的时间复杂度 O(N*E) (N是点数，E是边数)普遍是要高于Dijkstra算法O(N²)的。像这里如果我们使用邻接矩阵实现，那么遍历所有边的数量的时间复杂度就是O(N³)，这里也可以看出来Bellman-Ford就是一种暴力求解更新。

Bellman-Ford算法不能解决带有负权回路的图的单源最短路径

bool BellmanFord(const V& src, vector<W>& dist, vector<int>& pPath)
{
	size_t n = _vertexs.size();
	size_t srci = GetVertexIndex(src);

	//vector<W>& dist记录srci到其他顶点最短路径权值数组
	dist.resize(n, MAX_W);

	//vector<int>parentPath 记录srci到其他顶点最短路径父顶点数组
	pPath.resize(n, -1);

	//先更新srci->srci为最小值
	dist[srci] = W();

	//总体最多更新n轮
	for (size_t k = 0; k < n; ++k)
	{
		//i->j更新松弛
		bool update = false;
		cout << "更新第" << k << "轮" << endl;
		for (size_t i = 0; i < n; ++i)
		{
			cout << "--------------------------" << endl;
			for (size_t j = 0; j < n; ++j)
			{
				//srci->i  +  i->j
				if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])
				{
					update = true;
					cout << _vertexs[i] << "->" << _vertexs[j] << ":" << _matrix[i][j] << endl;
					dist[j] = dist[i] + _matrix[i][j];
					pPath[j] = i;
				}
				else
				{
					cout << (dist[i] + _matrix[i][j]) << ":" << dist[j] << "--" << _vertexs[i] << "->" << _vertexs[j] << "不更新" << endl;
				}
			}
		}
		//如果这个轮次中没有更新出最短路径，那么后续就不需要继续了
		if (update == false)
		{
			break;
		}
	}
	//还能更新就是带负权回路
	for (size_t i = 0; i < n; ++i)
	{
		for (size_t j = 0; j < n; ++j)
		{
			//srci->i  +  i->j
			if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])
			{
				return false;
			}
		}
	}
	return true;
}

5.3 多源最短路径

Floyd-Warshall算法是解决任意两点间的最短路径的一种算法。

Floyd算法考虑的是一条最短路径的中间节点，即简单路径p={v1,v2,…,vn}上除v1和vn的任意节点。

设k是p的一个中间节点，那么从i到j的最短路径p就被分成i到k和k到j的两段最短路径p1，p2。p1是从i到k且中间节点属于{1，2，…，k-1}取得的一条最短路径。p2是从k到j且中间节点属于{1，2，…，k-1}取得的一条最短路径。

即Floyd算法本质是三维动态规划，D[i][j][k]表示从点i到点j只经过0到k个点最短路径，然后建立起转移方程，然后通过空间优化，优化掉最后一维度，变成一个最短路径的迭代算法，最后即得到所以点的最短路。

void FloydWarshall(vector<vector<W>>& vvDist, vector<vector<int>>& vvpPath)
{
	size_t n = _vertexs.size();
	vvDist.resize(n);
	vvpPath.resize(n);
	//初始化权值和路径矩阵
	for (size_t i = 0; i < n; ++i)
	{
		vvDist[i].resize(n, MAX_W);
		vvpPath[i].resize(n, -1);
	}
	//直接相连的边更新一下
	for (size_t i = 0; i < n; ++i)
	{
		for (size_t j = 0; j < n; ++j)
		{
			if (_matrix[i][j] != MAX_W)
			{
				vvDist[i][j] = _matrix[i][j];
				vvpPath[i][j] = i;
			}
			//自己到自己
			if (i == j)
			{
				vvDist[i][j] = W();
			}
		}
	}

	//最短路径的更新，i->{其他顶点}->j
	//k作为中间点尝试去更新i->j的路径
	for (size_t k = 0; k < n; ++k)
	{
		for (size_t i = 0; i < n; ++i)
		{
			for (size_t j = 0; j < n; ++j)
			{
				if (vvDist[i][k] != MAX_W && vvDist[k][j] != MAX_W && (vvDist[i][k] + vvDist[k][j]) < vvDist[i][j])
				{
					vvDist[i][j] = vvDist[i][k] + vvDist[k][j];
					//找跟j相连的上一个相邻顶点
					//如果k->j直接相连，上一个节点就是k，vvPath[k][j]存的就是k
					//如果k->j没有直接相连，k->...->x->j，vvPath[k][j]存的就是x
					vvpPath[i][j] = vvpPath[k][j];
				}
			}
		}
	}
}