狄克斯特拉算法简介
狄克斯特拉算法是从一个顶点到其余各顶点的最短路径算法,解决的是有权图中最短路径问题,但不能用于包含负权边的图。而广度优先搜索算法解决的是无权图中的最短路径问题。
一般分为4个步骤:
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最短路径,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
实现最短路径的寻找,以下图为例
# 寻找开销最小节点的函数
def find_lowest_cost_node(costs):
lowest_cost = float("inf")
lowest_cost_node = None
# 遍历所有节点
for node in costs:
cost = costs[node]
# 如果当前节点的开销更低且未处理过
if cost < lowest_cost and node not in processed:
# 就将其视为开销最低的节点
lowest_cost = cost
lowest_cost_node = node
return lowest_cost_node
if __name__ == '__main__':
graph = {}
# 起点邻居及权重
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
# a节点邻居及权重
graph["a"] = {}
graph["a"]["fin"] = 1
# b节点邻居及权重
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
# 终点没有任何邻居
graph["fin"] = {}
# 存储开销的散列表,不知道开销的可以先设置为无穷大
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity
# 存储父节点的散列表
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None
# 记录处理过的数组
processed = []
# 在未处理的节点中找出开销最小的节点
node = find_lowest_cost_node(costs)
# while循环在所有节点都被处理过后结束
while node is not None:
cost = costs[node]
neighbors = graph[node]
# 遍历当前节点的所有邻居
for n in neighbors.keys():
new_cost = cost + neighbors[n]
# 如果经当前节点前往该邻居更近,就更新该邻居的开销
if costs[n] > new_cost:
costs[n] = new_cost
# 将该邻居的父节点设置为当前节点
parents[n] = node
# 将当前节点标记为处理过
processed.append(node)
# 找出接下来要处理的节点,并循环
node = find_lowest_cost_node(costs)
# 输出终点最短路径的父节点和开销
print("终点最短路径的父节点是:", parents["fin"])
print("终点最短路径的开销是:", costs["fin"])
实现结果
小结
1.广度优先搜索用于在非加权图中查找最短路径
2.狄克斯特拉算法用于在加权图中查找最短路径
3.仅当权重为正时狄克斯特拉算法才管用
4.如果图中包含负权边,请使用贝尔曼-福德算法