Floyd算法解析

1、基本介绍

Floyd算法是用于求解带权有向图中任意两顶点间的最短路径，同时也被用于计算有向图的传递闭包。
时间复杂度为O(n³)，空间复杂度为O(n²)。

2、算法思想

在谈算法过程前，我们需要先大概理解它的思路：图中一个顶点到另一个顶点的路径认为有两种，第一种是直接连接，即从起始点连接到终点，路径长度为A [ i ] [ j ]；第二种是间接连接，即通过中间点k将两者连接起来,路径长度为A [ i ] [ k ] + A [ k ] [ j ] 。而Floyd算法的任务即是比较这两种路径，选择出长度较短的路径。

3、物理结构

根据算法思想，我们需要频繁比较两顶点间的权值，故采用邻接矩阵。同时，该算法需要建立两个二维数组，A数组记录两个顶点间的最短路径长度；path数组记录两个顶点间的中间点，因为在具体实现时，中间点可能不止一个，这里记录的中间点为终点的前一个顶点。

4、实例及代码

以如下所示图为例：

首先根据图中任意两个顶点间的最直接关系，建立A数组和Path数组。A数组记录两顶点间的路径长度（“∞”表示两个顶点间路径无穷大，即无路径），path数组记录终点的前一个顶点（“-1”表示终点前面无顶点，即两个顶点间无路径）。

因为两个顶点间的任意性以及中间点的未知性，显然的，我们需要使用循环，以使得任意两个顶点作为端点，任意一个顶点作为中间点。当找到间接路径小于直接路径时，改变A数组和path数组的值。
实现代码如下:
注意：这里的多重循环中，中间点 k 的循环必须在第一层循环，起点 i 和终点 j 的位置则可交换。当中间点 k 的循环在最后一层循环时，就是另一种结果了，具体到后面的实验总结解释。

	for ( k=0; k<N; k++ )		//N是顶点数量
		for ( i=0; i<N; i++ )
			for ( j=0; j<N; j++ )
				if ( A[i][j] > A[i][k] + A[k][j] )
				{	A[i][j] = A[i][k] + A[k][j];
					path[i][j] = path[k][j];
				}

• （1） 我们先取0为中间点，遍历所有起点和终点，发现所有经过0的间接路径都没有直接路径短，即A [ i ] [ j ] < A [ i ] [ 0 ] + A [ 0 ] [ j ] ，因此A数组和path数组均不改变元素值。
• （2） 现在再取1为中间点，发现有0→1→2路径长度为9，小于0→2的值(∞)，即A [ 0 ] [ 2 ] > A [ 0 ] [ 1 ] + A [ 1 ] [ 2 ] ，此时将A[0][2]的值改为较短路径长度9，path[0][2]的值改为中间点1。
  
• （3） 同理，当2为中间点时有：
  原来的1→0（∞）变为1→2→0（7），此时将A[1][0]的值改为较短路径长度7，path[1][0]的值改为中间点2；
  同理原来的3→0（∞）变为3→2→0（4）；原来的3→1（∞）变为3→2→1（4）。
  
• （4） 最后以3为中间点，出现更短路径的有：
  从0到2：由原来的路径0→1→2（9）变为0→3→2（8）；此时将A[0][2]的值改为较短路径长度6，path[0][2]的值改为中间点3；
  从1到0：由原来的路径1→2→0（7）变为1→3→2→0（6），此时将A[][]的值改为较短路径长度6，path数组元素的值改为中间点3；
  从1到2：由原来的路径1→2（4）变为1→3→2（3）。
  
  至此，任意顶点的最短路径全部计算完毕，A数组所示即为最短路径长度，path数组所示即为最短路径。

6、实验总结

（1）中间点K在第一层循环时

如下图所示，图中只显示部分顶点和路径。
当中间点k=0时浏览所有起点和终点，假设发现经过中间点0的较短路径如图1所示，其中有从5到3的路径5→0→3。
当k=1时又重新浏览了所有起点和终点，发现经过中间点1的较短路径如图2所示，其中有从4到6的路径4→1→6。
我们发现在前期的较短路径里，中间点都是只有一个的。

当k=2时继续重新浏览所有起点和终点，建立了图3所示的路径，其中有从3到4的路径3→2→4。
而到这里我们发现5到6的路径已经出来了（图4），他经过了5个中间点（0、3、2、4、1），即到后期各个路径将会渐渐的连接在一起，从而形成多个中间点。

不难发现，Floyd算法其实是在图的各个局部里寻找最短路径，并逐渐扩大每个局部的范围直至合为一体。这一点和Dijkstra算法相似，不同的地方在于Dijkstra算法是只从一个点，即一个局部出发扩展，而Floyd算法是从多个局部进行扩展。

（2）中间点K在最后一层循环为什么不行？

举个简单的例子：

上面的图中，显然的0到1的最短路径为0→3→2→1（6），但如果我们将中间点K的循环置于最后一层，即如下代码时，得到的结果为0→1（10）。

	for ( i=0; k<N; k++ )		//N是顶点数量
		for ( j=0; i<N; i++ )
			for ( k=0; j<N; j++ )	//k循环在最内层
				if ( A[i][j] > A[i][k] + A[k][j] )
				{	A[i][j] = A[i][k] + A[k][j];
					path[i][j] = path[k][j];
				}

原因很简单，当我们把 k 循环置于最后一层后，我们是先确定了起点和终点，然后再一个一个的寻找中间点。不计从0到0，我们第一次的循环是寻找从0到1的路径，此时中间点k在0、1、2、3中改变，中间点有且只能有一个，而图中的路径里中间点有两个，因此会判别失败，从0到1的路径仍然为0→1（10）。而问题就出现在：当循环结束后，这个路径的判断就此结束了，以后无论后面路径的判断如何，我们都不会再回过头来重新审视从0到1的路径。当k=2时我们找到了从3到1的路径3→2→1（5），但我们仍需在k=3时重新判断0→3→1和0→1的路径哪个更短，但因为我们不再重新审视从0到1的路径，因此也无法判断，无法更新。这也就是为什么我在“具体思路”里一直强调当中间点 k 改变时要重新浏览所有起点和终点的原因。