代码随想录Day 59|图论Part09,dijkstra(堆优化版)精讲、Bellman_ford算法精讲

提示:DDU,供自己复习使用。欢迎大家前来讨论~

文章目录

图论part09

dijkstra(堆优化版)精讲

图的存储

首先是 图的存储。

关于图的存储 主流有两种方式: 邻接矩阵和邻接表

邻接矩阵

邻接矩阵 使用 二维数组来表示图结构。 邻接矩阵是从节点的角度来表示图,有多少节点就申请多大的二维数组。

例如: grid[2][5] = 6,表示 节点 2 链接 节点5 为有向图,节点2 指向 节点5,边的权值为6 (套在题意里,可能是距离为6 或者 消耗为6 等等)

如果想表示无向图,即:grid[2][5] = 6,grid[5][2] = 6,表示节点2 与 节点5 相互连通,权值为6。

如图:

在一个 n (节点数)为8 的图中,就需要申请 8 * 8 这么大的空间,有一条双向边,即:grid[2][5] = 6,grid[5][2] = 6

这种表达方式(邻接矩阵) 在 边少,节点多的情况下,会导致申请过大的二维数组,造成空间浪费。

而且在寻找节点链接情况的时候,需要遍历整个矩阵,即 n * n 的时间复杂度,同样造成时间浪费。

邻接矩阵的优点:

  • 表达方式简单,易于理解
  • 检查任意两个顶点间是否存在边的操作非常快
  • 适合稠密图,在边数接近顶点数平方的图中,邻接矩阵是一种空间效率较高的表示方法。

缺点:

  • 遇到稀疏图,会导致申请过大的二维数组造成空间浪费 且遍历 边 的时候需要遍历整个n * n矩阵,造成时间浪费
邻接表

邻接表 使用 数组 + 链表的方式来表示。 邻接表是从边的数量来表示图,有多少边 才会申请对应大小的链表。

邻接表的构造如图:

这里表达的图是:

  • 节点1 指向 节点3 和 节点5
  • 节点2 指向 节点4、节点3、节点5
  • 节点3 指向 节点4,节点4指向节点1。

有多少边 邻接表才会申请多少个对应的链表节点。

从图中可以直观看出 使用 数组 + 链表 来表达 边的链接情况 。

邻接表的优点:

  • 对于稀疏图的存储,只需要存储边,空间利用率高
  • 遍历节点链接情况相对容易

缺点:

  • 检查任意两个节点间是否存在边,效率相对低,需要 O(V)时间,V表示某节点链接其他节点的数量。

  • 实现相对复杂,不易理解

Dijkstra算法(朴素版)的重点

  • 使用两层for循环遍历所有节点,寻找最近的未访问节点。
  • 更新minDist数组来记录源点到每个节点的最短距离。
  • 需要维护一个visited数组来标记节点是否已被访问。

Dijkstra算法(堆优化版)的重点

  • 使用邻接表来表示图,其中每个节点的邻接链表包含指向的节点和边的权重。
  • 利用优先队列(小顶堆)自动排序边的权值,每次从堆顶取出权值最小的边。
  • 更新操作与朴素版类似,但使用邻接表来遍历节点的邻接节点,并将新的边加入优先队列。

堆优化dijkstra完整代码如下:

cpp 复制代码
#include <iostream>
#include <vector>
#include <list>
#include <queue>
#include <climits>
using namespace std; 
// 小顶堆
class mycomparison {
public:
    bool operator()(const pair<int, int>& lhs, const pair<int, int>& rhs) {
        return lhs.second > rhs.second;
    }
};
// 定义一个结构体来表示带权重的边
struct Edge {
    int to;  // 邻接顶点
    int val; // 边的权重

    Edge(int t, int w): to(t), val(w) {}  // 构造函数
};

int main() {
    int n, m, p1, p2, val;
    cin >> n >> m;

    vector<list<Edge>> grid(n + 1);

    for(int i = 0; i < m; i++){
        cin >> p1 >> p2 >> val; 
        // p1 指向 p2,权值为 val
        grid[p1].push_back(Edge(p2, val));

    }

    int start = 1;  // 起点
    int end = n;    // 终点

    // 存储从源点到每个节点的最短距离
    std::vector<int> minDist(n + 1, INT_MAX);

    // 记录顶点是否被访问过
    std::vector<bool> visited(n + 1, false); 
    
    // 优先队列中存放 pair<节点,源点到该节点的权值>
    priority_queue<pair<int, int>, vector<pair<int, int>>, mycomparison> pq;


    // 初始化队列,源点到源点的距离为0,所以初始为0
    pq.push(pair<int, int>(start, 0)); 
    
    minDist[start] = 0;  // 起始点到自身的距离为0

    while (!pq.empty()) {
        // 1. 第一步,选源点到哪个节点近且该节点未被访问过 (通过优先级队列来实现)
        // <节点, 源点到该节点的距离>
        pair<int, int> cur = pq.top(); pq.pop();

        if (visited[cur.first]) continue;

        // 2. 第二步,该最近节点被标记访问过
        visited[cur.first] = true;

        // 3. 第三步,更新非访问节点到源点的距离(即更新minDist数组)
        for (Edge edge : grid[cur.first]) { // 遍历 cur指向的节点,cur指向的节点为 edge
            // cur指向的节点edge.to,这条边的权值为 edge.val
            if (!visited[edge.to] && minDist[cur.first] + edge.val < minDist[edge.to]) { // 更新minDist
                minDist[edge.to] = minDist[cur.first] + edge.val;
                pq.push(pair<int, int>(edge.to, minDist[edge.to]));
            }
        }

    }

    if (minDist[end] == INT_MAX) cout << -1 << endl; // 不能到达终点
    else cout << minDist[end] << endl; // 到达终点最短路径
}
  • 时间复杂度:O(ElogE) E 为边的数量
  • 空间复杂度:O(N + E) N 为节点的数量

Bellman_ford 算法精讲

  • 适用于存在负权边的图。
  • 核心思想是对所有边进行"松弛操作",迭代n-1次,每次尝试更新所有节点的最短路径。
  • "松弛操作"是指如果通过某个中间节点可以找到一条更短的路径到达目标节点,则更新该路径。
  • 算法可以检测图中是否存在负权环,因为如果经过多次迭代后路径还能被继续松弛,则说明存在负权环。
  • 时间复杂度为O(nm),其中n是节点数,m是边数。

模拟过程

用一个简单的例子来模拟Bellman-Ford算法的过程:

假设我们有以下四个节点的图,其中边的数字表示权重(费用),并且存在负数权重:

节点1 --(-1)--> 节点2 --(3)--> 节点3
       |                ^
       |                |
       (2)             (4)
       |                |
       v                v
    节点4 <--(5)-- 节点3

我们要求从节点1到节点4的最短路径。

初始步骤

  • 为每个节点设置一个初始距离值,源节点(节点1)的距离设为0,其他所有节点的距离设为无穷大。
  • 距离数组:dist[1] = 0, dist[2] = ∞, dist[3] = ∞, dist[4] = ∞

第一次迭代

  • 考虑节点1的边:节点1到节点2的距离为-1,更新dist[2] = -1

第二次迭代

  • 考虑节点2的边:节点2到节点3的距离为3,加上节点2的距离-1,得到节点3的距离为2,更新dist[3] = 2
  • 同时,节点2到节点4的距离为5,但因为dist[2] + 5不等于dist[4],所以不更新。

第三次迭代

  • 考虑节点3的边:节点3到节点4的距离为4,加上节点3的距离2,得到节点4的距离为6,不更新dist[4],因为此时dist[4]的值应该更小(之前没有设置)。

第四次迭代

  • 考虑节点1的边:节点1到节点4的距离为2,更新dist[4] = 2

后续迭代

  • 继续迭代,但不再有任何更新,因为所有可达节点的距离都已经被更新到最短。

最终结果

  • dist[1] = 0, dist[2] = -1, dist[3] = 2, dist[4] = 2

在这个过程中,我们发现节点4的最短路径是2,通过路径节点1 -> 节点2 -> 节点3 -> 节点4。

如果在n次迭代之后仍然有更新,那么说明图中存在负权环,因为理论上最短路径应该在n-1次迭代后就已经确定。在这个例子中,我们没有遇到这种情况。

代码

理解上面讲解的内容,代码就更容易写了,本题代码如下:(详细注释)

cpp 复制代码
#include <iostream>
#include <vector>
#include <list>
#include <climits>
using namespace std;

int main() {
    int n, m, p1, p2, val;
    cin >> n >> m;

    vector<vector<int>> grid;

    // 将所有边保存起来
    for(int i = 0; i < m; i++){
        cin >> p1 >> p2 >> val;
        // p1 指向 p2,权值为 val
        grid.push_back({p1, p2, val});

    }
    int start = 1;  // 起点
    int end = n;    // 终点

    vector<int> minDist(n + 1 , INT_MAX);
    minDist[start] = 0;
    for (int i = 1; i < n; i++) { // 对所有边 松弛 n-1 次
        for (vector<int> &side : grid) { // 每一次松弛,都是对所有边进行松弛
            int from = side[0]; // 边的出发点
            int to = side[1]; // 边的到达点
            int price = side[2]; // 边的权值
            // 松弛操作 
            // minDist[from] != INT_MAX 防止从未计算过的节点出发
            if (minDist[from] != INT_MAX && minDist[to] > minDist[from] + price) { 
                minDist[to] = minDist[from] + price;  
            }
        }
    }
    if (minDist[end] == INT_MAX) cout << "unconnected" << endl; // 不能到达终点
    else cout << minDist[end] << endl; // 到达终点最短路径

}
  • 时间复杂度: O(N * E) , N为节点数量,E为图中边的数量
  • 空间复杂度: O(N) ,即 minDist 数组所开辟的空间

总结

Bellman-Ford算法的重点

  1. 处理负权边:Bellman-Ford算法能够处理包含负权边的图,这与Dijkstra算法不同,后者只适用于非负权边的图。
  2. 迭代松弛:算法通过反复进行松弛操作来尝试更新每个节点的最短路径估计,通常需要进行n-1次迭代,其中n是节点的数量。如果在第n次迭代中仍然可以更新路径,这表明存在负权环。
相关推荐
YSGZJJ44 分钟前
股指期货的套保策略如何精准选择和规避风险?
人工智能·区块链
无脑敲代码,bug漫天飞1 小时前
COR 损失函数
人工智能·机器学习
盼海1 小时前
排序算法(五)--归并排序
数据结构·算法·排序算法
HPC_fac130520678162 小时前
以科学计算为切入点:剖析英伟达服务器过热难题
服务器·人工智能·深度学习·机器学习·计算机视觉·数据挖掘·gpu算力
网易独家音乐人Mike Zhou4 小时前
【卡尔曼滤波】数据预测Prediction观测器的理论推导及应用 C语言、Python实现(Kalman Filter)
c语言·python·单片机·物联网·算法·嵌入式·iot
小陈phd4 小时前
OpenCV从入门到精通实战(九)——基于dlib的疲劳监测 ear计算
人工智能·opencv·计算机视觉
Guofu_Liao5 小时前
大语言模型---LoRA简介;LoRA的优势;LoRA训练步骤;总结
人工智能·语言模型·自然语言处理·矩阵·llama
搬砖的小码农_Sky7 小时前
C语言:数组
c语言·数据结构
Swift社区8 小时前
LeetCode - #139 单词拆分
算法·leetcode·职场和发展
Kent_J_Truman8 小时前
greater<>() 、less<>()及运算符 < 重载在排序和堆中的使用
算法