前言
在一张图中,我们需要寻找到两个点之间的最短路径,这个问题在实际中也是很常用的。
最短路径问题分为单源最短路径和任意两点之间的最短路径问题。
单源最短路径
输入一个有向加权图,我们要返回这个顶点到剩余顶点的最小距离。
注意权值非负,如果有负圈,那么一些最短路径将会不存在。(一直在那里绕,路径为无穷小)
优化子结构
没错,这个问题涉及到了dp和贪心的解法,我们接下来进行讲解。
最短路径的子路径也一定是最短。
这个我们就可以通过反证法来证明,如果最短路径的子路经不是最短,那么我们直接替换就能将当前的最短路径优化。
松弛
这个是最短路径的核心部分,在图部分我们到达一个顶点的方式有很多,可能是直接到达,也可能中间绕路,松弛的本质就是比较绕路和直接到达的代价,从而得到最优解。
(绕路也不一定会远,这要看我们的权值是怎么样的。)
bellman-ford算法
BellmanFord()
//初始化
for each v ∈ V
d[v] = ∞;
d[s] = 0;
//松弛
for i=1 to |V|-1
for each edge (u,v) ∈ E
Relax(u,v, w(u,v));
//检测是否还有能松弛的
for each edge (u,v) ∈ E
if (d[v] > d[u] + w(u,v))
return “no solution”;
这个算法还是比较正经的。
- 开始因为要找最短距离,所以需要进行初始化,然后第一个结点到第一个结点置为0。
- 然后就需要进行松弛,这里我们的 i 只是一个计数器。
- 最后是一个检测,如果还有能松弛的,就是有负圈了,这样的就没有最短路径了。
很明显的一个个尝试,所以这个算法就是属于dp问题的,我们每一次循环将所有的边松弛一次,最终得到正确结果。这里说明一下,我们的边集顺序会影响到我们最终得到最终结果的速度的。
运行时间:O(VE),V为顶点集,E为边集。因为我们是外层的计数器为V,内层将每一个边操作一次。
证明
我们的V-1次循环收缩边,每一次都相当于有一个顶点确定下来,现在我们证明一下我们的算法是正确的。
我们考虑其中的一个顶点v,有这样的路径s->v1->v2->……->v。
因为我们的优化子结构,所以当我们得到v的最优解的时候,很明显前面的所有点都已经是最优的了。
同样,我们如果有了前面的最优解,那么我们就能一定能得到下一个点的最优解。
(有一点乱,不过想起来还是比较舒服的,不太会写)
dijkstra
我们有没有更好的办法,而不是这样的一次次来尝试。
如果说bellman-Ford是不断的松弛,最终找到答案,那么dijkstra算法就是直接判断出哪一个就是最优解,直接选择不需要判断。这也说明该算法其实属于一种贪心算法。
前提:图中没有负边
Dijkstra(G)
//初始化
for each v ∈ V
d[v] = ∞;
d[s] = 0;
Q = V;
//松弛
while (Q) //表示Q非空
u = ExtractMin(Q); //选出
for each v ∈ u->Adj[]
if (d[v] > d[u]+w(u,v))
d[v] = d[u]+w(u,v);
- 最开始的初始化和bellman差不多,不说了
- 我们这次使用的是堆Q,最开始为顶点全集,为我们没有遍历的点的集合(当然了,第一次取出起点s)
- 每一次从没遍历的顶点中取出最近的(堆比较的是d[v]),将其划入已经遍历的顶点集,也就是拿出来
然后我们就需要将这个顶点相邻的所有顶点进行松弛。
(这里松弛部分也简化了很多,不是每一次都需要松弛所有边了)
之前说过,dijkstra是贪心算法,那么我们就需要进行证明。
优化子结构问题不用说了,这几个算法都有,看上面。
贪心选择性:
我们假设已经遍历的为S0,还没遍历的为S1,此时有一个y∈S1,是S1中距离S0最近的。
dijkstra算法将拿出这个顶点y,也就是说明此时我们一定能得到y顶点的最短距离。
我们假设如果还有一条路径,从s到y更近,那么就一定是要从另外一个点绕一下的(直接的我们已经有了)我们假设这个点是x。
但是我们已经知道了,S0到y的距离小于到x的距离,x再加上到y的距离是一定要大于直接到y的距离的,所以我们可以判定我们的y此时一定是最优解。
任意两点之间的最短路径
问题:找到图中每一对结点间最短路径
这里仍为有向加权图,保证没有负圈(但可能有负边)
既然是任意两点,那么我们就调用V次的bellman么。(dijkstra因为有负边不能用)
这好吗,这不好。
接下来我们给出Floyd算法:
- 给出一个公常识:可以将有向图(包括无向图)的权值写在矩阵中;
- 我们的从a到b可能是直接到达,也可能是经过了好几个点,我们需要进行松弛,找到最优解作为返回值;
- 接下来我们定义子问题,这个子问题和之前的不太一样:我们将一部分点形成的任意两点间最短路径作为子问题。
- 联系2&3,我们的解法就得到了:对于ab这一组点,最开始只有这两个点,我们不断扩大点集,通过绕路的方式不断修改ab间最短路径(其实就是在松弛),最终当所有点都在图上,我们就能得到最短路径。
假设一共有n个点,我们设每一个最短距离为Do[a][b],……Dn[a][b] - 如何通过Dn-1[a][b]计算Dn[a][b]? 按照定义我们需要比较Dn-1[a][b]和Dn-1[a][k]+Dn-1[k][b]。
- 我们已经证明了松弛一定能得到当前最优解,因为是不断增加点,而最开始的Do就是我们输入的权矩阵,那个要不是最简直接爬行吧。因此我们可以得出结论,经过上述过程,我们就能得到a到b的最短路径。
- 同理,我们将每一对点都这样做(直接放在矩阵中),就可以得到正确答案了。
给出算法伪代码:
Floyd(W)
D^0 = W //初始化`在这里插入代码片`
P = {0} //代表0矩阵
for k = 1 to n //每一次加点
for i = 1 to n //双重循环每一对顶点
for j = 1 to n
if (D^k-1 [i][j] > D^k-1 [i][k] + D^k-1 [k][j] )
D^k [i][j] = D^k-1 [i][k] + D^k-1 [k][j]
//P[i][j] = k
else
D^k[i][j] = D^k-1 [i][j]
这里有一行加了注释,是我们用来存储经过的点的矩阵。
这里我们采用滚动数组的思想,只需要两个矩阵相互交叉覆盖就能实现功能;
在学习的过程中,我还看到可以直接在原矩阵上进行覆盖,这个不知道会不会影响,所以就没有给出。
这里给出一个自己不算很严谨的思考:我们假设用[i][k]+[k][j]覆盖了[i][j],在我们求[i][k]时,我们也不会再使用到j,因为[i][j]就已经比[i][k]大了,所以覆盖掉问题应该不大。
最后补一个打印路径的递归函数:
path(P,q,r)
if (P[q,r] != 0)
path(q, P[q,r])
println(“v” + P[q,r]) //实现打印vi(矩阵中的值为下标),表示顶点
path(P[q,r], r)
return;
else
return