迪杰斯特拉最短路径算法c语言_Why shortest? 谈谈迪杰斯特拉算法

摘要：本文以“最短路径”问题为引导，介绍一种贪心算法：迪杰斯特拉(Dijkstra)，在不同的“图”的条件下细致地探讨它的工作原理。

阅读本文需要的先导知识：完全不需要任何先导知识呢！不过算法描述中会用到简易的数据结构的语言。

part1：问题导出

问题1：为相应“要致富，先修路”的号召，书记老王准备给自己辖区内几个贫困村修建公路。在地图上标注出所有可能修公路的部分如下：

由于经费有限，要用最少的成本修建最短的公路把各个村庄都联通。请问王书记应该选择图中哪几条线修建成公路？

问题2：八里台学院接到一个紧急通知，领导要把这个消息快速发给各个学生辅导员。可是领导只有个别几个辅导员的联系方式，每个辅导员也只有个别几个其他导员的电话号。要怎么做才能以最快速度联系到每个辅导员？

上面两个问题既有联系也有区别。相同之处在于两个问题都在寻求某种意义上的“最短路径”（用最短的公路把所有村子联通、打最少次数电话联系到每个导员）。不同之处在于：

第一：在第一个问题中，不是每个村子之间的公路长度都相等的，但是在第二个问题中每次电话耗费的时间可以认为是一样的。

第二：第一个问题里，两个村子之间的公路是“没有确定方向”的。但是在第二个问题里，导员1有导员2的电话，不代表导员2有导员1的电话。

归纳以上两个问题，我们给出一种普遍适用的“数据结构”来描述“最短路径问题”：

定义1：（有向图）设

为图，它有节点和边两种结构。节点由边连接在一起；每条边都有固定的方向和权重，这样的图称为有向图。如果每条边的权重都是非负的，称之为非负有向图；如果每条边的权重都是正的，称之为正有向图。把权重和图本身合在一起记作

定义2：（最短路径问题）对于非负有向图

，从一个节点

出发，将所有的节点都联通，使得所需代价

最小。应当如何连接这些节点？

注意，定义中我们明确地说明了“非负”条件。这个条件是不可或缺的：Dijkstra算法在图上特定位置有负数权值的情形下会出现问题。这个问题放在后面讨论。

part 2 算法描述

我们先给出算法的伪代码，再进行解释。

在计算机中图的储存结构一般是邻接链表(Adjacency list)，也就是一组线性链表，元素构成为节点名、权值以及指针。比如以下图为例，第一行第一个元素代表图中的节点A，之后的元素代表A指向的元素。

为执行这个算法，我们需要对图

(W为权重属性)上的节点初始化：我们赋予每个节点

(vertex)一个属性

和

，记为

和

。初始状态下，对图

和初始节点

定义函数

如下：

def INITIALIZE(G,s):
    for each vertex v in G.V:
        v.d = inf
        v.p = null
    s.d = 0

也就是说将每个d属性都赋值为无穷，把每个p属性都赋值为空指针，再把起始节点的d属性赋值为0。

再定义一个在迭代过程中的更新函数

，执行效果如下图：

def relax((u,v,w))
     if u.d + w(u,v) > v.d：
         v.d = u.d + w(u,v)
         v.p = u

两种可能出现的情况

下面是伪代码的主体：

def Dijkstra(G, s):
    INITIALIZE(G,s)
    S = empty
    Q = G.V
    while Q is not empty:
        u = extractmin(Q)
        S = S.add(u)
        for each vertex v in G.Adj(u):
            relax(G.(u,v,w))

这个过程的实质是什么呢？粗略地想象，找出图上的最短路径，当然是要从初始节点开始，以某种方式尝试“探测”整个地图。随着探测的范围越来越大，我们可以发现越来越多的“捷径”。迪杰斯特拉算法的想法也不过如此，只是该算法的“探测方式”非常程式化、非常有效罢了。

我们可以想象Q集合代表那些“没被探测到”的元素。随着Q中元素越来越多地进入S集合，图上的节点被探测到的也越来越多。首先观察relax函数：它负责从一个“根节点”出发，试着降低一个“目标节点”的d值。由此看来，一个节点的d值可以解释为”按照目前探测到的部分得出的最短路径长度“，因为它随着探测过程不断地降低。那么p值的意义是什么呢？显然，最短路径总长变短，是因为我们选取了另一条捷径。p值便是在新的捷径上当前节点的前节点(predecessor)，它包含的是具体路径的信息。

所以算法过程可以描述为：

1. 初始化图，创建未探测列表（堆）Q和探测集S
2. 进行循环：找出当前d值最小的节点，加入探测集S，更新所有被当前节点指向的节点d值
3. 直到所有节点均加入S，结束循环

一个示例如下：

每个节点的最短路径，就是从该节点出发，按照p值回溯过去最终到达初始节点的路径。

part 3 算法的思想和证明

这个部分是本文的中心所在。我们从一些引理（其实这些引理就是最短路径算法的本质思想）开始，证明算法的同时讨论“为什么会想到这样的办法”。

先宏观地考虑一个简单的状态（其实这个状态可能对于计算机专业的童鞋已经够用了）：所有的权值都是正的。

从初始节点s开始，如何找到一条“局部的”（即只考虑初始结点和各个邻接节点的）最短路径呢？显然，选取权值最小的那一条便是，记为

。那么下一条最短路径该如何找呢？可想而知有两种情形：

或者

，即有可能过

也可能不过。而此时的S集合恰好包含了

两点（S集合包含的节点就是那些已经找到最短路径的点）。由此猜想：

当我们在第m步确定了m条最短路径后，第m+1条的除去末尾的所有节点都应该在S中。这样一来，我们只需要找离S集合最“近”的那个节点作为下一条最短路径的末尾就可以了。而离S最近的点，恰好就指的是Q中d值最小的点！这样我们就得出迪杰斯特拉算法的雏形了。

这个猜想是否正确呢？我们可以基于“非负假设”证明。反设在m+1步找到的最短路径

中间有节点a不在S中。则说明有一条最短路径

以a为末尾。但是由于我们找最短路径的过程是严格递增的，也就是说，我们在第m+1步找到的最短路径长度一定比前m步都长，

（仔细想想为什么？），所以a已经被放在S中了。矛盾。#

下面我们讨论迪杰斯特拉算法的一般情形。实际上，该算法在有0权值的边时仍然成立，在某些情形下，甚至可以应用于负权值的图！如果这样就算证明结束，就太委屈它了。为了探索这些情形，我们有必要对于一般的最短路径算法进行彻底的理解。

首先给出一个引理：

lemma 1 (局部化) 对于有向权图上一条最短路径

，它的所有子路径

为相应端点的最短路径。反过来，如果一条路径的所有真子路径都是最短路径，则该路径也为最短路径。

proof：设最短路径为

，反设从

到

部分不是最短路径。将它分解为三部分：

。设从

到

的最短路径为

，有

与

是最短路径矛盾。反之显然。#

这个性质看似简单，实际上它是迪杰斯特拉算法（贪心算法）的核心思想：从局部推断整体。当每一步都做到“最短”时，连接起来的整体也一定是最短。这个性质还有一个特点：在权值非正时仍然成立。

下面规定一个记号：记

为s到u的最短路径长度。

lemma 2 (三角不等式)

proof：这由最短路径定义即可得出。#

上面这个引理保证了Relax函数的合理性，即Relax函数不会把d值降得比真实的最短路径权值还低：

lemma 3 (确界引理)在任何时候，

proof：初始状态时上式显然。每一次用Relax函数更新d值时，都有：

#

下面又是一个本质性的引理，它证明了我们寻找最短路径的过程是“逐渐收敛的”，即如果真的找到一个节点的最短路径后（当然我们不知道是不是真的找到了，除非遍历完整个图），之后的行动不会破坏该节点的最短路径。

lemma 4(收敛性) 对于最短路径

，若在Relax((u,v,w))执行前有

，则执行之后一定有

proof：由Relax定义有

，反过来的不等式由确界引理保证。显然之后任意时刻该式均成立。

下面给出非负图形式的算法证明：（此时不再有路径长度严格递增的条件了）

proof：不妨设图只有一个连通分支（所有点都联通）。如果我们能证明对于

，在u放入S的那一刻起，

成立（由引理知之后也成立）就算是证明完成了。

反设不成立，不妨假设u是S中第一个违背的元素。而u不能是初始节点s（为什么？），所以在u放入S之前，S集合非空。由于u即将被放入S，沿着u.p回溯回去的路径不是最短路径，那么肯定有一条从s到u的最短路径

。由于u尚且不在S中，

作为一条连接了集合

和

的道路，道路中一定有相邻x, y满足：

。

可以直观感受到y似乎“就是”u。但是如果这样，我们无疑陷入了正权重图的证明无法自拔。所以我们的目标改为证明

。我们断言，在此刻

。事实上，由于u是第一个将要违背S集规则（S集中元素都找到了最短路径）的节点，必然有

。由收敛引理我们立刻得出

。

由于权重非负，且

，我们有:

然而在此时我们选择要加入S集合的元素是u而不是y，所以有

所以

，夹逼知

，和反设假设矛盾，即u确实找到了最短路径；沿着u.p回溯回去，经过一些零权重边，一定会和y相遇。

对于负权重情形，首先我们需要排除掉“负圈“，即对于某个节点，在图上绕一圈回来d值变小。这样的节点的最短路径长度为负无穷。如图所示：

节点1的d值会一直下降，进入死循环

对于一般的没有负圈的图，我们也不能轻易应用迪杰斯特拉算法。考虑下图，

从A点出发，计算机被2权重的边欺骗了

可以看出，之所以不能应用迪杰斯特拉算法，还是因为该算法的“局部性”：它会被眼前的状况“欺骗”。贪心算法之所以“贪心”，是因为在某种意义下，后边的情况不可能比前边的“好”，所以只需要做到当下最好就可以了。

那么在什么情况下可以使用迪杰斯特拉算法呢？有一个充分条件：图上所有权重为负值的边都从初始节点发出。为什么这样呢？作为一个思考题目留给读者。

提示：回顾之前非负图的证明，看哪一步需要权重非负的条件！

参考文献：

[1] Thomas H. Cormen: "introduction to algorithms, third edition", the mit press.

[2] 严蔚敏，吴伟民：数据结构（C语言版），清华大学出版社

[3] stackoverflow上的各种回答，以及各种学校的pdf讲义（图片来源，侵删）

[4] 题图：轻音少女封面图片

悄咪咪：平泽唯天下第一！