03求图各顶点间最短距离——Floyd算法

求基于Floyd算法的图各顶点间最短距离矩阵

1.问题

给定一有向图G = <V, E> ，其中V为G的顶点集，E为G的边集，<u, v> 代表从顶点 u 到顶点 v 的有向边，w<u, v> 代表此有向边的权重。（无向图类似，此文不再赘述）

如何得到有向图中各顶点间的最短距离？

2.解析

举个栗子

给定一有4顶点的有向图G = <V, E> ，顶点和边的对应关系及各边权重如下图所示：

若要得到点V₂到V₁的最短距离，从图中不难发现有两种走法：

1. V₂–>V₃–>V₁ 该路径权值为：3+7=10.
2. V₂–>V₃–>V₄–>V₁ 该路径权值为：3+1+5=9.

因此在该图中，我们选择路径2作为V₂到V₁的最短路径，权值9作为V₂到V₁的最短距离。

Floyd算法的核心思想

a)　初始化：copy<V,E>=G<V,E>.
不存在的边以极大数表示，矩阵主对角线为0.
b)　For k:=1 to n
For i:=1 to n
For j:=1 to n
If copy[i,j]>copy[i,k]+copy[k,j]
Then copy[i,j]:=copy[i,k]+copy[k,j];
c)　算法结束：D即为所有点对的最短路径矩阵

Floyd算法值得注意的是：若if语句不变，i, j, k三个循环的位置不得随意交换。三者位置不同，算法的意义截然不同，得到的结果矩阵自然也会不同。

Part 1
若按i, j, k循环嵌套（最左边是大循环），所得并非最短距离矩阵。因为，先更新的距离（如 copy[2, 1]等）只判断了途经过一个点的最短路径情况，并没有判断途径 0 ~(n-2) 个点的所有情况，所以得到的最短距离不一定准确。而后续以这些并不完全正确的距离为基础而更新的距离，正确性自然不能保证。

以上图为例，这样写的算法输出的最短路径为路径1，而非实际路径最短的路径2.

Part 2
按k, i, j循环嵌套（最左边是大循环），整个矩阵可以达到同步更新的效果。该算法意义是：整个最短距离矩阵同一阶段更新以当前点k为路径中点的最短距离，再进入下一阶段。

这就避免了Part 1中出现的问题——先更新的距离判断不到图的全部情况，以先更距离为基础的后更距离可能会因前者的不精准而不准确。

下面看看代码。

3.设计

vector<vector<int>> Floyd(vector<vector<int>> mat) {

	//用二维向量存储矩阵
	vector<vector<int>> copy(N, vector<int>(N));
	//初始化, 复制矩阵，避免损坏原矩阵
	copy[u,v]=mat[u,v];

	for (k from 0 to N-1)
		for (i from 0 to N-1)
			for (j from 0 to N-1)	
				//如果i,j两点间的直接距离大于两点经过点k的间接距离,
				//更新最短距离矩阵copy。
	return copy; //返回最短距离矩阵
}

4.分析

从代码块容易得出，Floyd算法的复杂度为：Floyd()=O(n³).

5.源码

https://github.com/KabgRs/F-SDDR/tree/%E7%AE%97%E6%B3%95%E5%88%86%E6%9E%90%E4%B8%8E%E8%AE%BE%E8%AE%A1%E4%BD%9C%E4%B8%9A/03%E6%B1%82%E5%9B%BE%E5%90%84%E7%82%B9%E9%97%B4%E6%9C%80%E7%9F%AD%E8%B7%9D%E7%A6%BB_Floyd%E7%AE%97%E6%B3%95