广度优先搜索
可用于求解从A到B有无路径及最短路径问题,从一个节点出发,寻找该节点的邻居,遍历结束后如果没有达到目的,继续查找邻居的邻居。这里用到一种数据结构–队列
情景:你是一个果农,需要在你的人际交往网找到一位水果的销售商。
from collections import deque
def search(name):
search_queue = deque()
search_deque += graph[name] #graph是个散列表
searched = [] #用于记录已搜索的节点
while search_deque:
person = search_queue.popleft()
if not person in searched:
if person_is_seller(person):
print(person+"is a seller.")
return True
else:
search_queue+=graph[person]
searched.append(person)
return False
狄克斯特拉算法
使用了广度优先搜索来查找两点之间的最短路径,那时“最短路径”的意思是 段数最少。在狄克斯特拉算法中,你给每段都分配了一个数字或权重,因此狄克斯特拉算法找出的是总权重最小的路径。即要计算非加权图中的最短路径,可使用广度优先搜索。要计算加权图中的最短路径,可使用狄克斯特拉算法。
注意:狄克斯特拉算法只适用于有向无环图,如果有负边,也不能使用狄克斯特拉算法。
狄克斯特拉算法包含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更短路径,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。
换钢琴问题
Rama就能拿乐谱换架钢琴。现在他需要确定的是,如何花最 少的钱实现这个目标。我们来绘制一个图,列出大家的交换意愿
创建一个表格,在其中列出每个节点的开销。这里的开销指的是达到节点需要额外支付多少钱。在执行狄克斯特拉算法的过程中,你将不断更新这个表。为计算最终路径,还需在这个表中 添加表示父节点的列
第一步: 找到最便宜的节点。
第二步:计算前往该节点的各个邻居的开销
再次执行第一步:下一个最便宜的节点是黑胶唱片——需要额外支付5美元。 再次执行第二步:更新黑胶唱片的各个邻居的开销。
下一个最便宜的是吉他,因此更新其邻居的开销
最后,对最后一个节 点——架子鼓,做同样的处理。
如果用架子鼓换钢琴,Rama需要额外支付的费用更少。因此,采用最便宜的交换路径时, Rama需要额外支付35美元。
负边时
是因为狄克斯特拉算法这样假设:对于处理过的节点,没有前往该节点的更短路径。 因此,不能将狄克斯特拉算法用于包含负权边的图。在包含 负权边的图中,要找出最短路径,可使用另一种算法——贝尔曼福德算法(Bellman-Ford algorithm)。
实现
以下免得图为例,找从七点到终点的最短路径
数据结构:存储这个图需要一个散列表;记录每个节点的花费需要一个散列表;记录节点的父节点需要一个散列表;记录一个访问过的点需要一个 数组。
首先建立Graph,这里不但要存储每个节点的邻居节点,还要记录他们到邻居节点的花销,所以
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
graph["a"] = {}
graph["a"]["fin"] = 1
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
graph["fin"] = {}
接下来,需要用一个散列表来存储每个节点的开销。在Python中表示无穷大:infinity = float(“inf”)
创建开销表的代码如下:
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity
创建这个散列表的代码如下:
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None
最后,你需要一个数组,用于记录处理过的节点,因为对于同一个节点,你不用处理多次processed = []
算法流程图:
代码:
node = find_lowest_cost_node(costs) # 寻找花销最少的节点
while node is not None:
cost = costs[node] # 该节点的花销
neighbors = graph[node] #节点的邻居节点
for n in neighbors.keys(): #遍历邻居节点
new_cost = cost + neighbors[n] #经过该节点到达邻居节点的花销
if costs[n] > new_cost: #如果经过当前节点到达邻居节点的花销更少
costs[n] = new_cost
parents[n] = node #更新花销及父节点
processed.append(node) 将处理过的节点记录
node = find_lowest_cost_node(costs)
寻找最少花销
def find_lowest_cost_node(costs):
lowest_cost = float("inf")
lowest_cost_node = None
for node in costs:
cost = costs[node]
if cost < lowest_cost and node not in processed:
lowest_cost = cost
lowest_cost_node = node
return lowest_cost_node
小结
广度优先搜索用于在非加权图中查找最短路径。
狄克斯特拉算法用于在加权图中查找最短路径。
仅当权重为正时狄克斯特拉算法才管用。
如果图中包含负权边,请使用贝尔曼 福德算法