【算法图解】——狄克斯特拉算法

狄克斯特拉算法

• 加权图——提高/降低某些边的权重
• 加权图：“边”上有了权重（例如：时间）
• 狄克斯特拉算法：找到总权重最小的路径

计算非加权图的最短路径——广度优先算法
计算加权图的最小权重——狄克斯特拉算法

**注意：**当图中存在负权重时，无法使用狄克斯特拉算法

实现算法

节点

"""狄克斯特拉算法"""
# ------------整个图的散列表（字典）--------
graph = {}

# 起点
graph["start"] = {} # 起点是一个散列表（字典）
graph["start"]["A"] = 6 # 存储权重,start-A
graph["start"]["B"] = 2 # 存储权重,start-B
print(graph["start"].keys())

# 其他节点
graph["A"] = {} # A节点也是一个字典
graph["A"]["destination"] = 1 # A-终点

graph["B"] = {}
graph["B"]["A"] = 3 # B-A
graph["B"]["destination"] = 5 # B - 终点

# 终点
graph["destination"] = {} # 终点没有任何邻居
print(graph["B"])

利用字典的键——实现节点
利用字典的键值——实现权重

实时计算消耗的权重

# ---------实时计算消耗权重的散列表（字典）------------
infinity = float("inf") # python中表示无穷大，因为此刻的开销还不知搭配

costs = {}
costs["A"] = 6
costs["B"] = 2
# costs["destination"] = infinity # 表示路径还没选择，此时到达终点所消耗权重未知

存储父节点

# -----------存储父节点的散列表----------------
parents = {}
parents["A"] = "start"
parents["B"] = "start"
parents["destination"] = None

记录遍历过的节点

# ----------记录存储过的节点-----------------
processed = []

找到最小权重的节点

# -------------找到开销最低的节点-------------
def find_lowest_cost_node(costs):
    lowest_cost = float("inf")
    lowest_cost_node = None
    for node in costs: # 遍历所有节点
        cost = costs[node] # 对应为键值
        if cost < lowest_cost and node not in processed:
            lowest_cost = cost
            lowest_cost_node = node
    return lowest_cost_node

狄克斯特拉算法

"""狄克斯特拉算法"""
node = find_lowest_cost_node(costs) # 在未处理的节点中找到权重开销最小的节点

while node:
    cost = costs[node]
    neighbors = graph[node]
    for i in neighbors.keys(): # 遍历当前节点的所有邻居
        new_cost = cost + neighbors[i] # neighbors[i]相当于neighbors.value键值，即对应的权重值
        if costs[i] > new_cost:  # 原先直接前往i节点的开销和现在路劲进行比较
            costs[i] = new_cost
            parents[i] = node
    processed.append(node)
    node = find_lowest_cost_node(costs)
    
print(costs["destination"])

6