1、加权图:提高或降低某些边的权重。
2、狄克斯特拉算法:找出加权图中前往X的最短路径。
3、狄克斯特拉算法的4步走:
(1)、找出最便宜的节点,即可在最短时间内前往的节点。
(2)、对于该节点的邻居,检查是否有前往它们的更短路径,如果有,就更新其开销。
(3)、重复这个过程,直到对图中的每个节点都这样做了。
(4)、计算最终路径。
用狄克特斯拉算法求下图中的start 到 fin 的最短距离?
需要三个散列表:graph、costs、parents,随着算法的进行,需要不断的更新散列表costs和parents。
## graph["X"]是一个散列表,用于同时存储邻居和前往邻居的开销
graph = {}
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
graph["a"] = {}
graph["a"]["fin"] = 1
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
graph["fin"] = {}
## 用一个散列表来存储每个节点的开销,节点的开销指的是从起点出发前往节点需要多长时间
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity
## 用一个散列表来存储父节点
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None
## 用一个数组,记录处理过的节点,同一个节点,不需要处理多次
processed = []
def find_lowest_cost_node(costs):
lowest_cost = float("inf")
lowest_cost_node = None
for node in costs:
cost = costs[node]
if cost < lowest_cost and node not in processed:
lowest_cost = cost
lowest_cost_node = node
return lowest_cost_node
node = find_lowest_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]#每次循环产生一个散列,该散列即graph["X"]
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:
costs[n] = new_cost
parents[n] = node
processed.append(node)
node = find_lowest_cost_node(costs)
print ("lowest_cost_is = ", costs["fin"])
print ("the_lowest_cost_path_is ", "fin ->", parents["fin"], "->", parents[parents["fin"]], "->", parents[parents[parents["fin"]]])