图
基本概念
图是由顶点集合及顶点间的关系组成的一种数据结构:G = (V, E),
其中:
顶点集合V = {x|x属于某个数据对象集}是有穷非空集合;
E = {(x,y)|x,y属于V}或者E = {<x, y>|x,y属于V && Path(x, y)}是顶点间关系的有穷集合,也叫做边的集合。
(x, y)表示x到y的一条双向通路,即(x, y)是无方向的;Path(x, y)表示从x到y的一条单向通路,即Path(x, y)是有方向的。
**顶点和边:图中结点称为顶点,**第i个顶点记作vi。两个顶点vi和vj相关联称作顶点vi和顶点vj之间有一条边, 图中的第k条边记作ek,ek = (vi,vj)或<vi,vj>。
有向图和无向图:在有向图中,顶点对<x, y>是有序的,顶点对<x,y>称为顶点x到顶点y的一条边(弧),<x, y>和<y, x>是两条不同的边,在无向图中,顶点对(x, y)是无序的,顶点对(x,y)称为顶点x和顶点y相关联的一条边,这条边没有特定方向,(x, y)和(y,x)是同一条边,注意:无向边(x,y)等于有向边<x, y>和<y, x>。
G1和G2为无向图。
G3为有向图。
完全图:在有n个顶点的无向图中,若有n * (n-1)/2条边,即任意两个顶点之间有且仅有一条边,则称此图为无向完全图,如图G1;在n个顶点的有向图中,若有n * (n-1)条边,即任意两个顶点之间有且仅有方向相反的边,则称此图为有向完全图,如图G4
邻接顶点:在无向图中G中,若(u, v)是E(G)中的一条边,则称u和v互为邻接顶点,并称边(u,v)依附于顶点u和v;在有向图G中,若<u, v>是E(G)中的一条边,则称顶点u邻接到v,顶点v邻接自顶点u,并称边<u, v>与顶点u和顶点v相关联
顶点的度:顶点v的度是指与它相关联的边的条数,记作deg(v)。在有向图中,顶点的度等于该顶点的入度与出度之和,其中顶点v的入度是以v为终点的有向边的条数,记作indev(v);顶点v的出度是以v为起始点的有向边的条数,记作outdev(v)。因此:dev(v) = indev(v) + outdev(v)。注意:对于无向图,顶点的度等于该顶点的入度和出度,即dev(v) = indev(v) = outdev(v)。
路径: 在图G = (V, E)中,若从顶点vi出发有一组边使其可到达顶点vj,则称顶点vi到顶点vj的顶点序列为从顶点vi到顶点vj的路径。
路径长度: 对于不带权的图,一条路径的路径长度是指该路径上的边的条数;对于带权的图,一条路 径的路径长度是指该路径上各个边权值的总和。
简单路径与回路:若路径上各顶点v1,v2,v3,…,vm均不重复,则称这样的路径为简单路径。若路 径上第一个顶点v1和最后一个顶点vm重合,则称这样的路径为回路或环。
子图:设图G = {V, E}和图G1 = {V1,E1},若V1属于V且E1属于E,则称G1是G的子图。
连通图:在无向图中,若从顶点v1到顶点v2有路径,则称顶点v1与顶点v2是连通的。如果图中任意一 对顶点都是连通的,则称此图为连通图。
强连通图:在有向图中,若在每一对顶点vi和vj之间都存在一条从vi到vj的路径,也存在一条从vj到 vi的路径,则称此图是强连通图。
生成树:一个连通图的最小连通子图称作该图的生成树。有n个顶点的连通图的生成树有n个顶点和n- 1条边。
图的存储结构
因为图中既有节点,又有边(节点与节点之间的关系),因此,在图的存储中,只需要保存:节点和边关系即可。节点保存比较简单,只需要一段连续空间即可
邻接矩阵
因为节点与节点之间的关系就是连通与否,即为0或者1,因此邻接矩阵(二维数组)即是:先用一个数组将定点保存,然后采用矩阵来表示节点与节点之间的关系。
注意:
- 无向图的邻接矩阵是对称的,第i行(列)元素之和,就是顶点i的度。有向图的邻接矩阵则不一定是对称 的,第i行(列)元素之后就是顶点i的出(入)度。
- 如果边带有权值,并且两个节点之间是连通的,上图中的边的关系就用权值代替,如果两个顶点不通,则使用无穷大代替。
- 用邻接矩阵存储图的有点是能够快速知道两个顶点是否连通,缺陷是如果顶点比较多,边比较少时,矩阵中存储了大量的0成为系数矩阵,比较浪费空间,并且要求两个节点之间的路径不
#pragma once
#include <iostream>
#include <vector>
#include <string>
#include <map>
#include <queue>
using namespace std;
namespace Matrix//邻接矩阵
{
template<class V, class W,bool Direction = false>//默认是无向
class Graph
{
public:
Graph(const V* vertexs, size_t n)
{
_vertexs.reserve(n);
for (size_t i = 0; i < n; i++)
{
_vertexs.push_back(vertexs[i]);
_VIndexMap[_vertexs[i]] = i;
}
_matrix.resize(n);
for (auto& e : _matrix)
{
e.resize(n);
}
}
size_t GetVertexIndex(const V& v)//得到顶点的下标
{
auto ret = _VIndexMap.find(v);
if (ret != _VIndexMap.end())
{
return ret->second;
}
else
{
throw invalid_argument("不存在顶点");
return -1;
}
}
void AddEdge(const V& src,const V& dst,const W& w)//添加边
{
size_t srcindex = GetVertexIndex(src);
size_t dstindex = GetVertexIndex(dst);
_matrix[srcindex][dstindex] = w;
if (Direction == false)
{
_matrix[dstindex][srcindex] = w;
}
}
void BFS(const V& src)
{
size_t srcindex = GetVertexIndex(src);
vector<bool> visited;//顶点有没有被访问过
visited.resize(_vertexs.size(),false);
queue<int> q;
q.push(srcindex);
visited[srcindex] = true;
size_t d = 1;
size_t dSize = 1;
while (!q.empty())
{
size_t front = q.front();
q.pop();
printf("%s的%d度:\n", src.c_str(), d);
while (dSize--)
{
for (size_t i = 0; i < _vertexs.size(); i++)
{
if (visited[i] == false && _matrix[srcindex][i] != W())
{
printf("[%d:%s] ", i, _vertexs[i].c_str());
visited[i] = true;
q.push(i);
}
}
}
dSize = q.size();
++d;
std::cout << std::endl;
}
}
void _DFS(size_t srcIndex,vector<bool> visited)
{
printf("[%d:%s]->", srcIndex, _vertexs[srcIndex].c_str());
visited[srcIndex] = true;
for (size_t i = 0; i < _vertexs.size(); i++)
{
if (visited[i] == false && _matrix[srcIndex][i] != W())
{
_DFS(i, visited);
}
}
}
void DFS(const V& src)
{
size_t srcindex = GetVertexIndex(src);
vector<bool> visited;//顶点有没有被访问过
visited.resize(_vertexs.size(), false);
_DFS(srcindex, visited);
}
private:
vector<V> _vertexs;//顶点集合
vector<vector<W>> _matrix;//存储边的集合的矩阵
map<string, int> _VIndexMap;//顶点和下标之间的映射关系
};
}
优势: 1、快速找到两个顶点之间的边 2、适合于边比较多的图 劣势: 要找一个顶点连出去的边O(N)
邻接表
邻接表:使用数组表示顶点的集合,使用链表表示边的关系。类似哈希桶,把一个相连的边用链式结构挂在后面
无向图邻接表存储:
无向图中同一条边在邻接表中出现了两次。如果想知道顶点vi的度,只需要知道顶点vi边链表集合中结点的数目即可。
有向图邻接表存储:
注意:有向图中每条边在邻接表中只出现一次,与顶点vi对应的邻接表所含结点的个数,就是该顶点的出度,也称出度表,要得到vi顶点的入度,必须检测其他所有顶点对应的边链表,看有多少边顶点的dst取值是i。
namespace LinkTable//邻接表
{
template<class W>
struct LinkEdge//邻接边
{
int _srcIndex;
int _dstIndex;
W _w;
LinkEdge<W>* _next;
LinkEdge(const W& w)
:_srcIndex(-1)
, _dstIndex(-1)
, _w(w)
, _next(nullptr)
{
}
};
template<class V, class W, bool Direction = false>//默认是无向
class Graph
{
typedef LinkEdge<W> Edge;
public:
Graph(const V* vertexs, size_t n)
{
_vertexs.reserve(n);
for (size_t i = 0; i < n; i++)
{
_vertexs.push_back(vertexs[i]);
_VIndexMap[_vertexs[i]] = i;
}
_linktable.resize(n, nullptr);
}
size_t GetVertexIndex(const V& v)//得到顶点的下标
{
auto ret = _VIndexMap.find(v);
if (ret != _VIndexMap.end())
{
return ret->second;
}
else
{
throw invalid_argument("不存在顶点");
return -1;
}
}
void AddEdge(const V& src, const V& dst, const W& w)//添加边
{
size_t srcindex = GetVertexIndex(src);
size_t dstindex = GetVertexIndex(dst);
Edge* sd_edge = new Edge(w);
sd_edge->_srcIndex = srcindex;
sd_edge->_dstIndex = dstindex;
//头插
sd_edge->_next = _linktable[srcindex];
_linktable[srcindex] = sd_edge;
if (Direction == false)
{
//无向图
Edge* ds_edge = new Edge(w);
ds_edge->_srcIndex = dstindex;
ds_edge->_dstIndex = srcindex;
ds_edge->_next = _linktable[dstindex];
_linktable[dstindex] = ds_edge;
}
}
private:
vector<V> _vertexs;//顶点集合
map<string, int> _VIndexMap; //顶点和下标之间的映射关系
vector<Edge*> _linktable;//边的集合的邻接表
};
}
优势: 1、快速找到相连的点 2、适合于边比较少的图 劣势: 确认两个点是否相连是O(N)
图的遍历
给定一个图G和其中任意一个顶点v0,从v0出发,沿着图中各边访问图中的所有顶点,且每个顶点仅被遍历一次。"遍历"即对结点进行某种操作的意思。
图的广度优先遍历
include <iostream>
#include <vector>
#include <string>
#include <map>
#include <queue>
using namespace std;
namespace Matrix//邻接矩阵
{
template<class V, class W,bool Direction = false>//默认是无向
class Graph
{
public:
Graph(const V* vertexs, size_t n)
{
_vertexs.reserve(n);
for (size_t i = 0; i < n; i++)
{
_vertexs.push_back(vertexs[i]);
_VIndexMap[_vertexs[i]] = i;
}
_matrix.resize(n);
for (auto& e : _matrix)
{
e.resize(n);
}
}
size_t GetVertexIndex(const V& v)//得到顶点的下标
{
auto ret = _VIndexMap.find(v);
if (ret != _VIndexMap.end())
{
return ret->second;
}
else
{
throw invalid_argument("不存在顶点");
return -1;
}
}
void AddEdge(const V& src,const V& dst,const W& w)//添加边
{
size_t srcindex = GetVertexIndex(src);
size_t dstindex = GetVertexIndex(dst);
_matrix[srcindex][dstindex] = w;
if (Direction == false)
{
_matrix[dstindex][srcindex] = w;
}
}
void BFS(const V& src)
{
size_t srcindex = GetVertexIndex(src);
vector<bool> visited;//顶点有没有被访问过
visited.resize(_vertexs.size(),false);
queue<int> q;
q.push(srcindex);
visited[srcindex] = true;
size_t d = 1;
size_t dSize = 1;
while (!q.empty())
{
size_t front = q.front();
q.pop();
printf("%s的%d度:\n", src.c_str(), d);
while (dSize--)
{
for (size_t i = 0; i < _vertexs.size(); i++)
{
if (visited[i] == false && _matrix[srcindex][i] != W())
{
printf("[%d:%s] ", i, _vertexs[i].c_str());
visited[i] = true;
q.push(i);
}
}
}
dSize = q.size();
++d;
std::cout << std::endl;
}
}
private:
vector<V> _vertexs;//顶点集合
vector<vector<W>> _matrix;//存储边的集合的矩阵
map<string, int> _VIndexMap;//顶点和下标之间的映射关系
};
void Test()
{
string a[] = { "zs", "ls", "ww", "zl" ,"mk"};
Graph<string, int> g1(a, sizeof(a) / sizeof(string));
g1.AddEdge("zs","ls",100);
g1.AddEdge("zs", "ww",200);
g1.AddEdge("ww", "zl",300);
g1.AddEdge("ww", "mk", 300);
g1.BFS("zs");
}
}
图的深度优先
#pragma once
#include <iostream>
#include <vector>
#include <string>
#include <map>
#include <queue>
using namespace std;
namespace Matrix//邻接矩阵
{
template<class V, class W,bool Direction = false>//默认是无向
class Graph
{
public:
Graph(const V* vertexs, size_t n)
{
_vertexs.reserve(n);
for (size_t i = 0; i < n; i++)
{
_vertexs.push_back(vertexs[i]);
_VIndexMap[_vertexs[i]] = i;
}
_matrix.resize(n);
for (auto& e : _matrix)
{
e.resize(n);
}
}
size_t GetVertexIndex(const V& v)//得到顶点的下标
{
auto ret = _VIndexMap.find(v);
if (ret != _VIndexMap.end())
{
return ret->second;
}
else
{
throw invalid_argument("不存在顶点");
return -1;
}
}
void AddEdge(const V& src,const V& dst,const W& w)//添加边
{
size_t srcindex = GetVertexIndex(src);
size_t dstindex = GetVertexIndex(dst);
_matrix[srcindex][dstindex] = w;
if (Direction == false)
{
_matrix[dstindex][srcindex] = w;
}
}
void BFS(const V& src)
{
size_t srcindex = GetVertexIndex(src);
vector<bool> visited;//顶点有没有被访问过
visited.resize(_vertexs.size(),false);
queue<int> q;
q.push(srcindex);
visited[srcindex] = true;
size_t d = 1;
size_t dSize = 1;
while (!q.empty())
{
size_t front = q.front();
q.pop();
printf("%s的%d度:\n", src.c_str(), d);
while (dSize--)
{
for (size_t i = 0; i < _vertexs.size(); i++)
{
if (visited[i] == false && _matrix[srcindex][i] != W())
{
printf("[%d:%s] ", i, _vertexs[i].c_str());
visited[i] = true;
q.push(i);
}
}
}
dSize = q.size();
++d;
std::cout << std::endl;
}
}
void _DFS(size_t srcIndex,vector<bool> visited)
{
printf("[%d:%s]->", srcIndex, _vertexs[srcIndex].c_str());
visited[srcIndex] = true;
for (size_t i = 0; i < _vertexs.size(); i++)
{
if (visited[i] == false && _matrix[srcIndex][i] != W())
{
_DFS(i, visited);
}
}
}
void DFS(const V& src)
{
size_t srcindex = GetVertexIndex(src);
vector<bool> visited;//顶点有没有被访问过
visited.resize(_vertexs.size(), false);
_DFS(srcindex, visited);
}
private:
vector<V> _vertexs;//顶点集合
vector<vector<W>> _matrix;//存储边的集合的矩阵
map<string, int> _VIndexMap;//顶点和下标之间的映射关系
};
void Test()
{
string a[] = { "zs", "ls", "ww", "zl" ,"mk"};
Graph<string, int> g1(a, sizeof(a) / sizeof(string));
g1.AddEdge("zs","ls",100);
g1.AddEdge("zs", "ww",200);
g1.AddEdge("ww", "zl",300);
g1.AddEdge("ww", "mk", 300);
g1.DFS("zs");
}
}
最小生成树
连通图中的每一棵生成树,都是原图的一个极大无环子图,即:从其中删去任何一条边,生成树就不在连通;反之,在其中引入任何一条新边,都会形成一条回路。
若连通图由n个顶点组成,则其生成树必含n个顶点和n-1条边。
构造最小生成树的准则:
- 只能使用图中的边来构造最小生成树
- 只能使用恰好n-1条边来连接图中的n个顶点
- 选用的n-1条边不能构成回路
构造最小生成树的方法:Kruskal算法和Prim算法。这两个算法都采用了逐步求解的贪心策略。
贪心算法:是指在问题求解时,总是做出当前看起来最好的选择。也就是说贪心算法做出的不是整体 最优的的选择,而是某种意义上的局部最优解。贪心算法不是对所有的问题都能得到整体最优解。
Kruskal算法
任给一个有n个顶点的连通网络N={V,E},
首先构造一个由这n个顶点组成、不含任何边的图G={V,NULL},其中每个顶点自成一个连通分量,
其次不断从E中取出权值最小的一条边(若有多条任取其一),若该边的两个顶点来自不同的连通分量,则将此 边加入到G中。
如此重复,直到所有顶点在同一个连通分量上为止。 核心:每次迭代时,选出一条具有最小权值,且两端点不在同一连通分量上的边,加入生成树。
思路:每次都去选剩下的边里面的最小的边去加入生成树,看是否构成循环,不构成环,就加入;构成环就不加入,直到选出N-1条边
实现角度:建议并查集
1、先判断加入的边的两个顶点在不在一个集合中,在-》加入构成环
2、加入的边,就把它的两个顶点合并
W Kruskal(Self& minTree)
{
minTree._vertexs = _vertexs;
minTree._vIndexMap = _vIndexMap;
minTree._matrix.resize(_vertexs.size());
for (auto& e : minTree._matrix)
{
e.resize(_vertexs.size(), MAX_W);
}
priority_queue<Edge, vector<Edge>, greater<Edge>> pq;
for (size_t i = 0; i < _matrix.size(); ++i)
{
for (size_t j = 0; j < _matrix[i].size(); ++j)
{
if (i < j && _matrix[i][j] != MAX_W)
{
pq.push(Edge(i, j, _matrix[i][j]));
}
}
}
W total = W();
// 贪心算法,从最小的边开始选
size_t i = 1;
UnionFindSet ufs(_vertexs.size());
while (i < _vertexs.size() && !pq.empty())
{
Edge min = pq.top();
pq.pop();
// 边不在一个集合,说明不会构成环,则添加到最小生成树
if (ufs.FindRoot(min._srci) != ufs.FindRoot(min._dsti))
{
//cout << _vertexs[min._srci] << "-" << _vertexs[min._dsti] <<
":" << _matrix[min._srci][min._dsti] << endl;
minTree._AddEdge(min._srci, min._dsti, min._w);
total += min._w;
ufs.Union(min._srci, min._dsti);
++i;
}
}
if (i == _vertexs.size())
{
return total;
}
else
{
return W();
}
}
Prime算法
区别:
- 选取最小的那条边
- 已选好的边里面的顶点的邻接中最小的边–天然避开环
W Prim(Self& minTree, const W& src)
{
size_t srci = GetVertexIndex(src);
size_t n = _vertexs.size();
minTree._vertexs = _vertexs;
minTree._indexMap = _indexMap;
minTree._matrix.resize(n);
for (size_t i = 0; i < n; ++i)
{
minTree._matrix[i].resize(n, MAX_W);
}
/*set<int> X;
set<int> Y;
X.insert(srci);
for (size_t i = 0; i < n; ++i)
{
if (i != srci)
{
Y.insert(i);
}
}*/
vector<bool> X(n, false);
vector<bool> Y(n, true);
X[srci] = true;
Y[srci] = false;
// 从X->Y集合中连接的边里面选出最小的边
priority_queue<Edge, vector<Edge>, greater<Edge>> minq;
// 先把srci连接的边添加到队列中
for (size_t i = 0; i < n; ++i)
{
if (_matrix[srci][i] != MAX_W)
{
minq.push(Edge(srci, i, _matrix[srci][i]));
}
}
cout << "Prim开始选边" << endl;
size_t size = 0;
W totalW = W();
while (!minq.empty())
{
Edge min = minq.top();
minq.pop();
// 最小边的目标点也在X集合,则构成环
if (X[min._dsti])
{
//cout << "构成环:";
//cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
}
else
{
minTree._AddEdge(min._srci, min._dsti, min._w);
//cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
X[min._dsti] = true;
Y[min._dsti] = false;
++size;
totalW += min._w;
if (size == n - 1)
break;
for (size_t i = 0; i < n; ++i)
{
if (_matrix[min._dsti][i] != MAX_W && Y[i])
{
minq.push(Edge(min._dsti, i, _matrix[min._dsti][i]));
}
}
}
}
if (size == n - 1)
{
return totalW;
}
else
{
return W();
}
}
最短路径
单源最短路径径–Dijkstra算法
最短路径问题:从在带权图的某一顶点出发,找出一条通往另一顶点的最短路径,最短也就是沿路径各边的权值总和达到最小。
单源最短路径问题:给定一个图G = ( V , E ) G=(V,E)G=(V,E),求源结点s ∈ V s∈Vs∈V到图中每个结点v ∈ V v∈Vv∈V的最短路径。Dijkstra算法就适用于解决带权重的有向图上的单源最短路径问题,同时算法要求图中所有边的权重非负。一般在求解最短路径的时候都是已知一个起点和一个终点,所以使用Dijkstra算法求解过后也就得到了所需起点到终点的最短路径。
针对一个带权有向图G,将所有结点分为两组S和Q,S是已经确定最短路径的结点集合,在初始时为空(初始时就可以将源节点s放入,毕竟源节点到自己的代价是0),Q 为其余未确定最短路径 的结点集合,每次从Q中找出一个起点到该结点代价最小的结点u ,将u 从Q 中移出,并放入S 中,对u 的每一个相邻结点v进行松弛操作。松弛即对每一个相邻结点v ,判断源节点s到结点u 的代价与u 到v 的代价之和是否比原来s 到v的代价更小,若代价比原来小则要将s 到v 的代价更新 为s 到u 与u 到v 的代价之和,否则维持原样。如此一直循环直至集合Q 为空,即所有节点都已经 查找过一遍并确定了最短路径,至于一些起点到达不了的结点在算法循环后其代价仍为初始设定 的值,不发生变化。Dijkstra算法每次都是选择V-S中最小的路径节点来进行更新,并加入S中,所 以该算法使用的是贪心策略。
一个源点跟图中其他所有点相连的最短路径
Dijkstra算法存在的问题是不支持图中带负权路径,如果带有负权路径,则可能会找不到一些路
径的最短路径。
- 依次找里0距离最短的邻接顶点来松弛更新
// 顶点个数是N -> 时间复杂度:O(N^2)空间复杂度:O(N)
void Dijkstra(const V& src, vector<W>& dist, vector<int>& pPath)
{
size_t srci = GetVertexIndex(src);
size_t n = _vertexs.size();
dist.resize(n, MAX_W);
pPath.resize(n, -1);
dist[srci] = 0;
pPath[srci] = srci;
// 已经确定最短路径的顶点集合
vector<bool> S(n, false);
for (size_t j = 0; j < n; ++j)
{
// 选最短路径顶点且不在S更新其他路径
int u = 0;
W min = MAX_W;
for (size_t i = 0; i < n; ++i)
{
if (S[i] == false && dist[i] < min)
{
u = i;
min = dist[i];
}
}
S[u] = true;
// 松弛更新u连接顶点v srci->u + u->v < srci->v 更新
for (size_t v = 0; v < n; ++v)
{
if (S[v] == false && _matrix[u][v] != MAX_W
&& dist[u] + _matrix[u][v] < dist[v])
{
dist[v] = dist[u] + _matrix[u][v];
pPath[v] = u;
}
}
}
}
单源最短路径–Bellman-Ford算法
Dijkstra算法只能用来解决正权图的单源最短路径问题,但有些题目会出现负权图。这时这个算法就不能帮助我们解决问题了,而bellman—ford算法可以解决负权图的单源最短路径问题。它的优点是可以解决有负权边的单源最短路径问题,而且可以用来判断是否有负权回路。它也有明显的缺点,它的时间复杂度 O(N*E) (N是点数,E是边数)普遍是要高于Dijkstra算法O(N²)的。像这里如果我们使用邻接矩阵实现,那么遍历所有边的数量的时间复杂度就是O(N^3),这里也可以看出来Bellman-Ford就是一种暴力求解更新。
// 时间复杂度:O(N^3) 空间复杂度:O(N)
bool BellmanFord(const V& src, vector<W>& dist, vector<int>& pPath)
{
size_t n = _vertexs.size();
size_t srci = GetVertexIndex(src);
// vector<W> dist,记录srci-其他顶点最短路径权值数组
dist.resize(n, MAX_W);
// vector<int> pPath 记录srci-其他顶点最短路径父顶点数组
pPath.resize(n, -1);
// 先更新srci->srci为缺省值
dist[srci] = W();
//cout << "更新边:i->j" << endl;
// 总体最多更新n轮
for (size_t k = 0; k < n; ++k)
{
// i->j 更新松弛
bool update = false;
cout << "更新第:" << k << "轮" << endl;
for (size_t i = 0; i < n; ++i)
{
for (size_t j = 0; j < n; ++j)
{
// srci -> i + i ->j
if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])
{
update = true;
cout << _vertexs[i] << "->" << _vertexs[j] << ":" << _matrix[i][j] << endl;
dist[j] = dist[i] + _matrix[i][j];
pPath[j] = i;
}
}
}
// 如果这个轮次中没有更新出更短路径,那么后续轮次就不需要再走了
if (update == false)
{
break;
}
}
// 还能更新就是带负权回路
for (size_t i = 0; i < n; ++i)
{
for (size_t j = 0; j < n; ++j)
{
// srci -> i + i ->j
if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])
{
return false;
}
}
}
return true;
}
多源最短路径–Floyd-Warshall算法
多源最短路指的是执行一次该算法之后,我们能得到任意点之间的最短路径,
Floyd-Warshall算法是解决任意两点间的最短路径的一种算法。
Floyd算法考虑的是一条最短路径的中间节点,即简单路径p={v1,v2,…,vn}上除v1和vn的任意节
点。
设k是p的一个中间节点,那么从i到j的最短路径p就被分成i到k和k到j的两段最短路径p1,p2。p1
是从i到k且中间节点属于{1,2,…,k-1}取得的一条最短路径。p2是从k到j且中间节点属于{1,
2,…,k-1}取得的一条最短路径。
图里面任意两个顶点之间最短路径
矩阵来表示图中任意两点之间的距离
//图中任意两点,借助k为中转点找更新
//中转点 k = 1,2,3 ...
for (int k = 0; k < n; k++)
{
for (int i = 0; i < n; i++)
{
for (int j = 0; j < n; j++)
{
if (e[i][k] + e[k][j] < e[i][j])
{
e[i][j] = e[i][k] + e[k][j];
}
}
}
}
void FloydWarshall(vector<vector<W>>& vvDist, vector<vector<int>>& vvpPath)
{
size_t n = _vertexs.size();
vvDist.resize(n);
vvpPath.resize(n);
// 初始化权值和路径矩阵
for (size_t i = 0; i < n; ++i)
{
vvDist[i].resize(n, MAX_W);
vvpPath[i].resize(n, -1);
}
// 直接相连的边更新一下
for (size_t i = 0; i < n; ++i)
{
for (size_t j = 0; j < n; ++j)
{
if (_matrix[i][j] != MAX_W)
{
vvDist[i][j] = _matrix[i][j];
vvpPath[i][j] = i;
}
if (i == j)
{
vvDist[i][j] = W();
}
}
}
// abcdef a {} f || b {} c
// 最短路径的更新i-> {其他顶点} ->j
for (size_t k = 0; k < n; ++k)
{
for (size_t i = 0; i < n; ++i)
{
for (size_t j = 0; j < n; ++j)
{
// k 作为的中间点尝试去更新i->j的路径
if (vvDist[i][k] != MAX_W && vvDist[k][j] != MAX_W
&& vvDist[i][k] + vvDist[k][j] < vvDist[i][j])
{
vvDist[i][j] = vvDist[i][k] + vvDist[k][j];
// 找跟j相连的上一个邻接顶点
// 如果k->j 直接相连,上一个点就k,vvpPath[k][j]存就是k
// 如果k->j 没有直接相连,k->...->x->j,vvpPath[k][j]存就是x
vvpPath[i][j] = vvpPath[k][j];
}
}
}
// 打印权值和路径矩阵观察数据
for (size_t i = 0; i < n; ++i)
{
for (size_t j = 0; j < n; ++j)
{
if (vvDist[i][j] == MAX_W)
{
//cout << "*" << " ";
printf("%3c", '*');
}
else
{
//cout << vvDist[i][j] << " ";
printf("%3d", vvDist[i][j]);
}
}
cout << endl;
}
cout << endl;
for (size_t i = 0; i < n; ++i)
{
for (size_t j = 0; j < n; ++j)
{
//cout << vvParentPath[i][j] << " ";
printf("%3d", vvpPath[i][j]);
}
cout << endl;
}
cout << "=================================" << endl;
}
}
private:
vector<V> _vertexs; // 顶点集合
map<V, int> _indexMap; // 顶点映射下标
vector<vector<W>> _matrix; // 邻接矩阵
};