《算法图解》第七章迪克斯特拉学习心得

1、狄克斯特拉算法 （Dijkstra's algorithm）

对于广度优先搜索找出的路径，只适用于图中边的权值都相同的情况，如果权值不相同，可能找出的未必是最短路径。如图：

对于不同权值的图，我们使用狄克斯特拉算法寻找最短路径，该算法包含以下四个步骤：

• 找出“最便宜”的节点， 即可在最短时间内到达的节点。
• 更新该节点的邻居的开销， 其含义将稍后介绍。
• 重复这个过程， 直到对图中的每个节点都这样做了。
• 计算最终路径。

2、术语

狄克斯特拉算法用于每条边都有关联数字的图， 这些数字称为权重（weight） 。带权重的图称为加权图 （weighted graph） ， 不带权重的图称为非加权图 （unweighted graph） 。 要计算非加权图中的最短路径， 可使用广度优先搜索 。 要计算加权图中的最短路径， 可使用狄克斯特拉算法 。 图还可能有环 ， 而环类似下图。

狄克斯特拉算法只适用于有向无环图 （directed acyclic graph， DAG） 。

3、算法举例

• 问题背景

Rama， 想拿一本乐谱换架钢琴。Alex说： “这是我最喜欢的乐队Destroyer的海报， 我愿意拿它换你的乐谱。 如果你再加5美元， 还可拿乐谱换我这张稀有的Rick Astley黑胶唱片。 ”Amy说： “哇， 我听说这张黑胶唱片里有首非常好听的歌曲， 我愿意拿我的吉他或架子鼓换这张海报或黑胶唱片。 ”Beethoven惊呼： “我一直想要吉他， 我愿意拿我的钢琴换Amy的吉他或架子鼓。 ” 下图为他们的交换意愿：

这个图中的节点是大家愿意拿出来交换的东西， 边的权重是交换时需要额外加多少钱。Rama需要确定采用哪种路径将乐谱换成钢琴时需要支付的额外费用最少。 为此， 可以使用狄克斯特拉算法！ 别忘了， 狄克斯特拉算法包含四个步骤。 在这个示例中， 你将完成所有这些步骤， 因此你也将计算最终路径。

首先创建一个表格， 在其中列出每个节点的开销。 这里的开销指的是达到节点需要额外支付多少钱。

在执行狄克斯特拉算法的过程中， 你将不断更新这个表。 为计算最终路径， 还需在这个表中添加表示父节点的列。

第一步 ： 找出最便宜的节点。 在这里， 换海报最便宜，不需要支付额外的费用。 
第二步 ： 计算前往该节点的各个邻居的开销。

表中增加了架子鼓和吉他的开销，这些开销是通过海报交换所需支付的额外费用，所以他们的父节点均为海报。

再次执行第一步 ： 下一个最便宜的节点是黑胶唱片——需要额外支付5美元。
再次执行第二步 ： 更新黑胶唱片的各个邻居的开销。

对照上表，我们发现吉他和架子鼓的开销都更新了，这意味着经“黑胶唱片”前往“架子鼓”和“吉他”的开销更低， 因此你将这些乐器的父节点改为黑胶唱片。

下一个最便宜的是吉他， 因此更新其邻居的开销。

于是，你计算出了到达钢琴的开销——40，而它的父节点为吉他。

最后， 对最后一个节点——架子鼓， 做同样的处理。

如果用架子鼓换钢琴， Rama需要额外支付的费用更少。 因此， 采用最便宜的交换路径时， Rama需要额外支付35美元 。

最短路径的确定：找到钢琴的父节点（架子鼓），通过沿父节点回溯， 便得到了完整的交换路径。

注意：不能将狄克斯特拉算法用于包含负权边的图 。 在包含负权边的图中， 要找出最短路径， 可使用另一种算法——贝尔曼-福德算法 （Bellman-Ford algorithm） 。 

4、算法实现

python代码实现：

graph={}
#储存起点的邻居和权值
graph["start"]={}
graph["start"]["a"]=6
graph["start"]["b"]=2
#添加其他节点和邻居
graph["a"]={}
graph["a"]["fin"]=1

graph["b"]={}
graph["b"]["a"]=3
graph["b"]["fin"]=5

graph["fin"]={}#终点没有任何邻居

#储存父节点
parents={}
parents["a"]="start"
parents["b"]="start"
parents["fin"]=None

#记录处理过的节点
processed=[]

#储存每个节点的开销
infinity=float("inf")
costs={}
costs["a"]=6
costs["b"]=2
costs["fin"]=infinity

def find_lower_cost_node(costs):
    lowest_cost=float("inf")
    lowest_cost_node=None
    for node in costs:#遍历所有的节点
        cost=costs[node]
        if cost<lowest_cost and node not in processed:#如果当前节点的开销更低且未处理过
            lowest_cost=cost
            lowest_cost_node=node#就将其视为开销最低的节点
    return lowest_cost_node

node=find_lower_cost_node(costs)#在未处理的节点中找出开销最小的节点
while node is not None:#这个while循环在所有节点都被处理过后结束
    cost=costs[node]
    neighbors=graph[node]
    for n in neighbors.keys():#遍历当前节点的所有邻居
        new_cost=cost+neighbors[n]
        if costs[n]>new_cost:#如果经当前节点前往该邻居更近
            costs[n]=new_cost#就更新该邻居的开销
            parents[n]=node#同时将该邻居的父节点设置为当前节点
    processed.append(node)#将当前节点标记为处理过
    node=find_lower_cost_node(costs)#找出接下来要处理的节点， 并循环

结果输出：

5、小结

• 广度优先搜索用于在非加权图中查找最短路径。
• 狄克斯特拉算法用于在加权图中查找最短路径。
• 仅当权重为正时狄克斯特拉算法才管用。
• 如果图中包含负权边， 请使用贝尔曼-福德算法。