再述 Dijkstra

再述 Dijkstra

学 Dijkstra 好久了,今天再学了一遍,感觉推翻了好多自己的知识......

定义

一种用于求非负权值的图的单源最短路径的算法。

方法

已知:如果要求从起始点 s 到某一个点 x 的最短路径,显然只能从某一个已确认为最短路径的点转移。

给个图:

假设我们的起始点是点 1,现在我们用数组记录从原点到所有点的最短路径:

1 2 3 4 5
0 ∞ \infty ∞ ∞ \infty ∞ ∞ \infty ∞ ∞ \infty ∞

由于其他点的最短路未知,故先用 ∞ \infty ∞ 代替,代码中用很大的一个数字代替即可。

注意到,我们由于要求出某个点出发,所有点的最短路,显然需要更新 n n n 次,其中 n n n 为顶点数量。

在这 n n n 次循环中,我们可以处理出由若干顶点组成的已知最短路集合 ,称之为 K K K。

在每次循环中,用 O ( n ) O(n) O(n) 可以找到距离 u ( u ∈ K ) u(u\in K) u(u∈K) 最近的那个点,更新其最短路表格,并将其加入 K K K​ 中。

最后得到的结果:

1 2 3 4 5
0 5 6 7 6

证明

如何证明这种算法是对的?

假设我们有一张图:

从 a a a 出发,求到 e e e 的最短路径。其中 a → b → e a\rightarrow b\rightarrow e a→b→e 这条路径已确认最短。

显然 a → c → d a\rightarrow c \rightarrow d a→c→d 这条路径并不会比 a → b → e a\rightarrow b\rightarrow e a→b→e 更优,且 d → e d\rightarrow e d→e 这条边的权值一定非负(前提),所以 a → b → e a\rightarrow b \rightarrow e a→b→e 这条路径一定是最优的。

算算时间复杂度,两层 O ( n ) O(n) O(n) 的循环,就 O ( n 2 ) O(n^2) O(n2),对于小数据可过。可允许大小约在 n ≤ 1 0 4 n\le 10^4 n≤104。

优先队列优化

想想能否优化时间复杂度?

注意到,由于是要求 n n n 个点的最短路,那么第一层的循环显然不能舍弃。

考虑优化时找到最近点的枚举步骤。

可以用一个优先队列存起来。存的东西:pair 类型,第一个元素是目前的最短路距离,第二个是点的编号。

那么众所周知,优先队列查找一个元素的时间复杂度是 O ( log ⁡ n ) O(\log n) O(logn) 的,其中 n n n 为元素个数。

每次查找都是一个 O ( log ⁡ n ) O(\log n) O(logn), n n n 次外循环,每次还要通过 O ( m ) O(m) O(m) 的时间复杂度更新最短距离。

所以时间复杂度即为 O ( ( n + m ) log ⁡ n ) O((n+m)\log n) O((n+m)logn)。

一般来说,只要图是联通的, m m m 基本都会比 n n n 大,可近似为 O ( m log ⁡ n ) O (m\log n) O(mlogn)​。

局限性

但是,考虑到一种特殊的情况:完全图。

众所周知,完全图是一种 m = n ( n − 1 ) m=n(n-1) m=n(n−1) 的特殊图,那么优先队列优化的时间复杂度就反而退化成了 O ( n 2 log ⁡ n ) O(n^2 \log n) O(n2logn),反而不如朴素版。

代码

放下优先队列优化后的代码:

cpp 复制代码
#include<bits/stdc++.h>
using namespace std;
const int MAXM=5e5+5;
const int MAXN=1e4+5;
int n,m,s;
bool book[MAXN];
int dis[MAXN];
struct EDGE{
	int to,w,pre;
}edge[MAXM];
int head[MAXN];
priority_queue<pair<int,int>,vector<pair<int,int> > ,greater<pair<int,int> > > heap;
void init()
{
	for(int i=1;i<=n;i++)
	{
		dis[i]=INT_MAX;
	}
	return;
}
void add(int from,int to,int w,int num)
{
	edge[num].to=to;
	edge[num].w=w;
	edge[num].pre=head[from];
	head[from]=num;
	return;
}
int u,v,w;
int main(){
	scanf("%d%d%d",&n,&m,&s);
	init();
	dis[s]=0;
	for(int i=1;i<=m;i++)
	{
		scanf("%d%d%d",&u,&v,&w);
		add(u,v,w,i);
	}
	heap.push(make_pair(0,s));
	while(!heap.empty())
	{
		int t=heap.top().second;
		heap.pop();
		if(book[t]==true)
		{
			continue;
		}
		book[t]=true;
		for(int i=head[t];i!=0;i=edge[i].pre)
		{
			dis[edge[i].to]=min(dis[edge[i].to],dis[t]+edge[i].w);
			heap.push(make_pair(dis[edge[i].to],edge[i].to));
		}
	}
	for(int i=1;i<=n;i++)
	{
		printf("%d ",dis[i]);
	}
	puts("");
	return 0;
}
相关推荐
宋一诺333 分钟前
机器学习——放回抽样
人工智能·机器学习
范纹杉想快点毕业14 分钟前
C++多重继承详解与实战解析
开发语言·c++
Ao00000031 分钟前
机器学习——主成分分析PCA
人工智能·机器学习
小浪学编程32 分钟前
C#学习12——预处理
学习
硅谷秋水42 分钟前
Impromptu VLA:用于驾驶视觉-语言-动作模型的开放权重和开放数据
人工智能·机器学习·计算机视觉·语言模型·自动驾驶
TDengine (老段)1 小时前
TDengine 的 AI 应用实战——运维异常检测
大数据·数据库·人工智能·物联网·时序数据库·tdengine·涛思数据
jndingxin1 小时前
OpenCV CUDA模块霍夫变换------在 GPU 上执行概率霍夫变换检测图像中的线段端点类cv::cuda::HoughSegmentDetector
人工智能·opencv·计算机视觉
Timmer丿1 小时前
kafka学习笔记(三、消费者Consumer使用教程——配置参数大全及性能调优)
笔记·学习·kafka
Timmer丿1 小时前
kafka学习笔记(三、消费者Consumer使用教程——消费性能多线程提升思考)
笔记·学习·kafka
只有左边一个小酒窝1 小时前
(三)动手学线性神经网络:从数学原理到代码实现
人工智能·深度学习·神经网络