您现在的位置是：首页 >其他 >Java高阶数据结构 & 图的最短路径问题网站首页其他
Java高阶数据结构 & 图的最短路径问题
图的最短路径问题！
Java高阶数据结构 & 图的最短路径问题
图的基础知识博客：传送门
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。
一共会讲解三种算法
- Dijkstra算法【单源最短路径】
- Bellman-Ford算法【单源最短路径】
- 改进：SPFA算法
- Floyd-Warshall算法【多源最短路径】
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。
多源最短路径问题： 就是找到每个顶点到除本身的顶点的最短路径
两顶点不连通，则不存在最短路径–>∞
在后面的讲解中，就不要联想到邻接矩阵了，这样脑子CPU都要烧烂了，代码实现需要邻接矩阵，而不是图就长成矩阵这么抽象的样子。
- 看原图去分析思考就行了，记住边的代码表达即可
- 比如说，一个顶点连出去的边，在原图中很明显，在邻接矩阵中不明显，但是后续我们要得到连出去的边，我们也有方法呀，所以在算法思考的时候，先不要在意这点！
-
- 算法思路：原图
- 代码实现：根据算法翻译即可
带负权的图，可能可以找到最短路径，也可能找不到
- 带负权回路的图，不存在最短路径
判断方法：
- 一条路径上通过两次一样的顶点，第二次反而更短了，则必然存在一个 负权回路
- 即，这个环的权值和为负数
则说明：一张图的最短路径，一定满足边数<= n-1
原因：
因为可以通过这个负权回路，导致一些最短路径趋近于负无穷大
- 即，在这个环里，无限循环
（带负权一定要是有向图，无向图的话，负权边一定构成两个顶点的负权回路）
以下算法代码实现简单，重点看算法思想！
1. Dijkstra算法【单源最短路径】
- 思路适用于解决带权重的有向图上的单源最短路径问题
- 无向图当然也可以~
- 但是，算法要求图中的所有边的权重都是非负的~
- 再讲解完算法后你就知道为什么了
定义：（不懂没关系，最后我有详细的证明）
-
定义一个dist数组，这个数组记录出发点到其他点的最短路径
- 一开始没找出来的时候，默认全为无穷大，到自身距离为0
-
定义一个path数组，代表每个顶点的前一个节点
- 通过这个数组可以还原路径
-
定义一个操作：“松弛”
-
松弛一个顶点，就是将其连通的所有边进行以下操作：
-
设此顶点为i，连通终点为j
-
判断：dist[i] + weight(i, j) < dist[j]
- 如果为真，则说明j此时的最短路径不是最短路径，path[j] = i，dist[j] = dist[i] + weight(i, j)
- 如果为假，什么也说明不了
-
步骤：
- 选取此时dist中的最小元素下标，标记它，断言此顶点为最短路径
- （值为0的出发点此时必然第一个被标记和松弛）
- 松弛刚才被标记的顶点
- 选取松弛完dist中最小元素下标，标记它，断言此顶点为最短路径
- 松弛刚才被标记的顶点
- 选取松弛完dist中最小元素下标，标记它，断言此顶点为最短路径
- 松弛刚才被标记的顶点
- …
- 直到所有顶点都被标记
可以有两种理解方式：
- 标记 松弛 标记 松弛 标记 松弛 … 标记（最后一次没必要松弛）
- 标记最短路径顶点，松弛这个顶点
- （标记出发点后） 松弛 标记 松弛 标记 松弛 标记 … 松弛 标记
- 松弛后诞生一个最短路径，标记
获得最短路径：
- 通过path数组，不断向出发点方向“跳”，直到到达出发点
例子：
- 如以上连通无向图，求0为出发点，求0到其余点的最短路径
动图演示：
来源：【算法】最短路径查找—Dijkstra算法_哔哩哔哩_bilibili
- 讲的很好！
- 但是没有证明为什么，接下来就来看看为什么吧
1.1 Dijkstra算法证明
- 松弛操作的作用
-
所以，松弛操作，保证了目前看来（再下一次松弛之前），顶点们在dist数组内的中是当前能达到的最小值
-
并且改变j的路径为，【0 , i】延伸一条边【i , j】
一样短会怎么样呢？ -
不会怎么样，只是说明最短路径不唯一
至少对这个顶点后续的延伸是没区别的，因为0到j的距离都一样，后续该怎么延伸出去还是怎么延伸出去
- 为什么可以断言这个顶点一定是最短路径？
重要原因：图没有负权
我们按照算法思路先走一走
- 选择0，这是显然的，松弛0后，诞生了“第一代最短路径”（路径上只有1条边）
- 标记松弛后的dist数组（未标记顶点）中最小的顶点
那么我们就断言第一代最短路径中最短的那条路径，就是“正确的”
- 这也是携带了为什么Dijkstra只能解决带非负权图的原因
- 就是因为，它的算法的前提，就是没有负权！
第一代最短路径最短那那条L，就不可能通过任何方式让其更短
- 因为这个点的其他路径就只能是第二代，或者更多
- 而这条路径，是通过第一代最短路径的另一些边的，而这些边本身就比L大，并且此后路径的边都是正的，必然比L大
- 松弛刚才标记的顶点1，诞生“第二代最短路径”（路径上为2条边）
- 标记松弛后的dist数组（未标记顶点）中最小的顶点
那么我们就断言第一代最短路径中最短的那条路径L2，就是“正确的”
同样的道理，这条路径要么是一条边的，要么是两条边的
刚才为什么不一起选择7这个顶点呢？
- 【0到1】 比 【0到7】 短，所以可能【0到1】在到其他顶点，再回到7这个顶点
在第二代最短路径中，松弛操作保证了路径为一条边的和路径为两条边的顶点在dist值最小
- 即，局部范围内，他们是最短路径（在现在能触及的范围内，他们的dist值是正确的）
- 即，以出发点为标准，最多延伸两条边的子图范围内，他们都是最短路径
- 这个子图不包含所有的“两条边的路径”，不包含的部分也不需要出现，因为没有负权，包含在内的“两条边的路径”，是由上一次的最短路径顶点延伸出来的，那么这个条包含在子图内的“两条边的路径”，一定是比不包含的要短~
这一次，最短的是【0到7】，同样的原因，可以断言7此时是正确的最短路径
- 刚才的证明了此时7是这个范围内的最短路径，这就够了
- 后续不会再有到7路径更短的顶点了（别的路径只能增加）
- 松弛顶点7，诞生第三代最短路径
- 标记松弛后dist值（未标记顶点中）最小的顶点
同样的，以出发点为标准，最多延伸三条边的子图（<=3，一样的，不一定包含所有的“三边路径”和“两边路径”，一定包含“更有权威的”路径）范围内，他们都是最短路径
- 选择顶点6（此时顶点6）~
- 因为后续到这顶点就只能增了~
依照这个思路下去，所有顶点被标记，结束！
- 这个例子中，边数最多的路径，为“四边路径”，【0到4】
- 为什么可以通过path确认最短路径？
以【0到4】为例子
【0到4】=【0到5】+【5到4】
- 其实一条长路径一定是由短路径拼接起来的（由刚才的算法得出结论，最短路径的更新，是在前一个顶点的最短路径基础上延伸一条边）
所以，一个最短路径的子路径为别的顶点的最短路径，所以可以通过下标的往回“跳”，得到真实路径
证明完毕~
1.2 Dijkstra算法代码实现
- 代码实现看起来很简单，但是原理是刚才那样的复杂
/**
*
* @param src 出发点
* @param dist 要求把最短路径长存放在这个数组里
* @param path 要求将前面点存放在这个数组里
*/
public void dijkstra(char src, int[] dist, int[] path) {
//获取顶点下标
int srcIndex = getIndexOfV(src);
//初始化dist
Arrays.fill(dist, Integer.MAX_VALUE);
dist[srcIndex] = 0;//起始点
//初始化path
Arrays.fill(path, -1);
path[srcIndex] = srcIndex;//如果是前一个顶点是本身的话，则说明到达起始点
//定义visited数组
int n = arrayV.length;
boolean[] visited = new boolean[n];
//开始标记与松弛操作了
//由于我们知道每次循环都会标记一个，那么循环次数就知道了，所以我们就用特定的for循环去写
for (int i = 0; i < n; i++) {
//找dist最小值
int index = srcIndex;//这个无所谓
int min = Integer.MAX_VALUE;
for (int j = 0; j < n; j++) {
if(!visited[j] && dist[j] < min) {
index = j;
min = dist[j];
}
}
//标记
visited[index] = true;
//松弛
for (int j = 0; j < n; j++) {
//被必要松弛到标记的顶点的，因为没用（再之前的证明中），你要也可以
if(!visited[j] && matrix[index][j] != Integer.MAX_VALUE
&& dist[index] + matrix[index][j] < dist[j]) {
//松弛导致的更新操作，更新其路径为【0，index】延伸一条边【index，j】
dist[j] = dist[index] + matrix[index][j];
path[j] = index;
}
}
}
}
测试：
打印路径和路径长的方法：
public void printShortPath(char vSrc,int[] dist,int[] pPath) {
//1. 获取顶点下标
int srcIndex = getIndexOfV(vSrc);
int n = arrayV.length;
//2、遍历pPath数组 的n个 值，
// 每个值到起点S的 路径都打印一遍
for (int i = 0; i < n; i++) {
//自己到自己的路径不打印
if(i != srcIndex) {
ArrayList<Integer> path = new ArrayList<>();
int parentI = i;
while (parentI != srcIndex) {
path.add(parentI);
parentI = pPath[parentI];
}
path.add(srcIndex);
//翻转path当中的路径
Collections.reverse(path);
for (int pos : path) {
System.out.print(arrayV[pos] +" -> ");
}
System.out.println(dist[i]);
}
}
}
测试案例：
public static void testGraphDijkstra() {
String str = "syztx";
char[] array = str.toCharArray();
GraphByMatrix g = new GraphByMatrix(str.length(),true);
g.initArrayV(array);
g.addEdge('s', 't', 10);
g.addEdge('s', 'y', 5);
g.addEdge('y', 't', 3);
g.addEdge('y', 'x', 9);
g.addEdge('y', 'z', 2);
g.addEdge('z', 's', 7);
g.addEdge('z', 'x', 6);
g.addEdge('t', 'y', 2);
g.addEdge('t', 'x', 1);
g.addEdge('x', 'z', 4);
/*
搞不定负权值
String str = "sytx";
char[] array = str.toCharArray();
GraphByMatrix g = new GraphByMatrix(str.length(),true);
g.initArrayV(array);
g.addEdge('s', 't', 10);
g.addEdge('s', 'y', 5);
g.addEdge('t', 'y', -7);
g.addEdge('y', 'x', 3);
*/
int[] dist = new int[array.length];
int[] parentPath = new int[array.length];
g.dijkstra('s', dist, parentPath);
g.printShortPath('s', dist, parentPath);
}
public static void main(String[] args) {
testGraphDijkstra();
}
1.3 堆优化的Dijkstra算法
- 时间复杂度为O(N2)
- 标记N次，每次都要遍历数组
- 但是这个原始的算法，适合解决稠密图的最短路径~
- 但如果是稀疏图的话，每次都遍历一次数组，这个复杂度太大了
- 所以有了以下堆优化的算法
本质原理一样：
定义存放在堆里面的类：
class Point {
int index;
int minPath;
}
-
每次松弛都向堆里面放这个对象（而不是改变堆里面对应index的值）
- 堆是如何实现与dist数组一样“更新”的呢？
- 因为我新加入的这个对象，会比堆原本的那个index值的那个值要小，肯定会在其之前被取出
-
取堆顶元素
-
如果这个元素被标记过，达咩，不要（continue）
-
如果这个元素没有被标记过，哟西，标记它，并且对其进行松弛操作
- 标记后，其后面出现遗留的点也无所谓咯
-
而优化后是适合稀疏图的，因为松弛入堆操作的次数可以认为是C常数，那么复杂度为O(N*log2N)
- 但是如果是稠密图，这个松弛入堆操作的次数则会接近于N，算法复杂度到达O(N2*log2N)
- 比不优化的还差
1.4 堆优化Dijkstra算法代码实现
定义Point类：
static class Point {
int indexV;
int distValue;
public Point(int indexV, int distValue) {
this.indexV = indexV;
this.distValue = distValue;
}
}
核心方法：
- 根据的就是刚才的算法!
/**
*
* @param src 出发点
* @param dist 要求把最短路径长存放在这个数组里
* @param path 要求将前面点存放在这个数组里
*/
public void pQDijkstra(char src,int[] dist,int[] path) {
//获得顶点下标
int srcIndex = getIndexOfV(src);
//初始化dist
Arrays.fill(dist, Integer.MAX_VALUE);
dist[srcIndex] = 0;//起始点
//初始化path
Arrays.fill(path, -1);
path[srcIndex] = srcIndex;//如果是前一个顶点是本身的话，则说明到达起始点
//定义visited数组
int n = arrayV.length;
boolean[] visited = new boolean[n];
//定义小根堆
PriorityQueue<Point> queue = new PriorityQueue<Point>(
(o1, o2) -> {
return o1.distValue - o2.distValue;
}
);
queue.offer(new Point(srcIndex, 0));
while(!queue.isEmpty()) {
Point point = queue.poll();
int index = point.indexV;
//被标记过，达咩！
if(visited[index]) {
continue;
}
//标记
visited[index] = true;
//松弛
for (int j = 0; j < n; j++) {
//被必要松弛到标记的顶点的，因为没用（再之前的证明中），你要也可以
if(!visited[j] && matrix[index][j] != Integer.MAX_VALUE
&& dist[index] + matrix[index][j] < dist[j]) {
//松弛导致的更新操作，更新其路径为【0，index】延伸一条边【index，j】
dist[j] = dist[index] + matrix[index][j];
path[j] = index;
queue.offer(new Point(j, dist[j]));
}
}
}
}
测试：
g.pQDijkstra('s', dist, parentPath);
g.printShortPath('s', dist, parentPath);
public static void main(String[] args) {
testGraphDijkstra();
}
- 跟刚才一样的案例
结果一致：
2. Bellman-Ford算法【单源最短路径】
如果把Dijkstra算法称为深度优先，那么Bellman-Ford算法就是广度优先，也更加直接与粗暴
- 简称BF（更暴力算法BF还真对上了O(∩_∩)O哈哈~）
与Dijkstra算法不同，其可以解决带负权的图的最短路径问题！
用到Dijkstra用过的操作：
不同的是它的算法步骤：
- 对全局所有的顶点，都进行一次松弛操作
- 这里不做任何标记，因为现在直接相连的点，最终如果有负权，还是有可能通过“边数更长的最短路径”到达该点
- 这样的操作进行N - 1轮，N为顶点的个数
- 如果这一次没有做任何更新，则以后的松弛也不会有任何的更新，退出循环，结束！
获得最短路径：
- 通过path数组，不断向出发点方向“跳”，直到到达出发点
例子：
动图演示：](https://img-blog.csdnimg.cn/dfc5201554444726a2979bcafa08c4cb.gif)
来源：【熊羊一锅鲜】Ep.13 单源最短路径Bellman-Ford算法及SPFA算法_哔哩哔哩_bilibili
2.1 BF算法证明
一些点在Dijkstra的证明那已经讲过了
- 不同的一点在于，BF算法松弛操作的顶点，每一次都是所有顶点~
你也会发现，一开始如果先松弛的不是出发点，或者是“已经有路径的顶点”，这个松弛操作是没有意义的，因为这个顶点的dist值为∞
- 这也衍生出了一个问题：顶点松弛的先后会不会有影响
- 第N代最短路径中“边最长为N”的子图范围内，各个顶点的dist值在这个局部范围内【限制路径最多有N条边】是正确的，是最短的
这一点，是 通过松弛操作来保证 的，原本Dijkstra算法没有保证这个子图的完整性，而BF算法由于每次都是松弛所有顶点，所以这个子图是完整的~
如第一代子图（第一次循环的结果）：
如第二代子图（第二次循环的结果）：
如第三代子图（第三次循环的结果）：
你可能有一个错觉：这不是已经涉及所有顶点了吗，那么这就是在全局范围内的正确？
否，因为这里限制路径长最大是“三条边”，在这个限制下是正确的
- 例如【0到6】最短为三步，再走一步到7确实是11<12但是，这就是四步了呀
如第四代子图（第四次循环的结果）：
到了第五代子图的时候（第五次循环的结果）：
- 所有顶点都没被更新~
- 跳出循环，算法结束
- 说明了里面“最长的最短路径”是四条边的
- 顶点松弛的先后会不会有影响
其实 被松弛涉及到的顶点i有更新的条件 是：顶点j（顶点j松弛后涉及到了顶点i）更新过
而你也发现了这个算法产生了大量的没用操作
- 如果先对“后面”的顶点松弛，可能没有作用
- 假设此次是第n次循环，那么一个顶点目前最短路径边数小于等于n-2的顶点
- 例如第二次循环的时候，出发点没必要松弛
- 第三次循环的时候，最短路径边数为1的顶点没有必要松弛
- 因为松弛完后最多为两条边，而两条边的时候在第二代子图（第二次循环结果）中，已经是得到最短的了
- 所以没有必要！
你可能会觉得，先松弛出发点，那么可能“后面的顶点”也会链式的被更新到
- 但这样，“前面的路径”发生改变，这个“后面的顶点”也有改变的风险
而我们只需要保证这一个严格成立即可
第N代最短路径中“边最长为N”的子图范围内，各个顶点的dist值在这个局部范围内【限制路径最多有N条边】是正确的，是最短的
最坏的情况下，就是完全“逆行”，即使这样，每一代都能够满足这一点
- 因为每个顶点都要松弛
- 顺序不同只是改变其“连锁反应”【就是因为刚才它刚变了，导致我虽然和它都是第n此松弛，但是我却因此可以更新别的顶点】
- 而不会改变其“必然的变化”
- 这必然的变化，不是由于连锁反应产生的
动图分析：（抽象）
- 希望你能get到
- 最后一次循环的更新后，难道不应该再次松弛去更新其他顶点吗？
答：不用，理由就是到达第N - 1次循环，结果是第N-1代子图，这已经到达了“全局范围”，所有顶点的dist值最短路径都是正确的。
-
所有的路径本身就小于等于N - 1,在最后一次循环更新的顶点，则说明其路径达到最长值：n-1条边
-
松弛的作用结果是延伸刚才的路径，那么刚才的路径已经是边数最大，松弛不会成功，没有必要继续松弛了
-
如果是带负权回路的，继续松弛一直都会更新
- 会产生第∞代子图
- 需要循环后去判断~
证明完毕~
2.2 BF算法代码实现
//这也是判断是否有负权回路的算法
public boolean bellmanFord(char src,int[] dist,int[] path) {
//获得顶点下标
int srcIndex = getIndexOfV(src);
//初始化dist
Arrays.fill(dist, Integer.MAX_VALUE);
dist[srcIndex] = 0;//起始点
//初始化path
Arrays.fill(path, -1);
path[srcIndex] = srcIndex;//如果是前一个顶点是本身的话，则说明到达起始点
int n = arrayV.length;
//循环n-1次，每次松弛一个顶点
for (int i = 0; i < n - 1; i++) {
for (int j = 0; j < n; j++) {
for (int k = 0; k < n; k++) {
if(matrix[j][k] != Integer.MAX_VALUE &&
matrix[j][k] + dist[j] < dist[k]) {
dist[k] = matrix[j][k] + dist[j];
path[k] = j;
}
}
}
}
//检测负权回路
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
//至于一样短的情况下，无所谓，这就是最短路径不唯一呗~
//
if (matrix[i][j] != Integer.MAX_VALUE
&& matrix[i][j] + dist[i] < dist[j]) {
return false; //false代表了有负权回路
}
}
}
return true;
}
测试案例：
public static void testGraphBellmanFord() {
String str = "syztx";
char[] array = str.toCharArray();
GraphByMatrix g = new GraphByMatrix(str.length(),true);
g.initArrayV(array);
g.addEdge('s', 't', 6);
g.addEdge('s', 'y', 7);
g.addEdge('y', 'z', 9);
g.addEdge('y', 'x', -3);
g.addEdge('z', 's', 2);
g.addEdge('z', 'x', 7);
g.addEdge('t', 'x', 5);
g.addEdge('t', 'y', 8);
g.addEdge('t', 'z', -4);
g.addEdge('x', 't', -2);
//负权回路实例
// g.addEdge('s', 't', 6);
// g.addEdge('s', 'y', 7);
// g.addEdge('y', 'z', 9);
// g.addEdge('y', 'x', -3);
// g.addEdge('y', 's', 1);
// g.addEdge('z', 's', 2);
// g.addEdge('z', 'x', 7);
// g.addEdge('t', 'x', 5);
// g.addEdge('t', 'y', -8);
// g.addEdge('t', 'z', -4);
// g.addEdge('x', 't', -2);
int[] dist = new int[array.length];
int[] parentPath = new int[array.length];
boolean flg = g.bellmanFord('s', dist, parentPath);
if(flg) {
g.printShortPath('s', dist, parentPath);
}else {
System.out.println("存在负权回路");
}
}
public static void main(String[] args) {
testGraphDijkstra();
}
测试一个不带负权回路的案例：
测试带负权回路的：
2.3 队列优化的BF算法：SPFA算法
刚才提到：
那么我们只需要松弛更新了的顶点就好了呀，
结合BF的视角：
- 每一次循环更新的顶点，设他们的集合为set1
- 下一次循环更新的顶点，设他们的集合为set2
要想满足BF算法的思想：
- set1的整体要在set2的整体前松弛完才行
- 才能有第一代子图—第二代子图—第三代子图这样的效果
所以用到数据结构：队列
步骤就是：
- 将起始点放入队列
- 循环以下操作
- 取队头得到一个顶点
- 松弛这个顶点
- 直到队列为空，即不再有元素更新，结束算法
显然，这个算法没法判断负权回路的存在，会死循环下去~
2.4 SPFA算法代码实现
public void queueBellmanFord(char src,int[] dist,int[] path) {
//获得顶点下标
int srcIndex = getIndexOfV(src);
//初始化dist
Arrays.fill(dist, Integer.MAX_VALUE);
dist[srcIndex] = 0;//起始点
//初始化path
Arrays.fill(path, -1);
path[srcIndex] = srcIndex;//如果是前一个顶点是本身的话，则说明到达起始点
int n = arrayV.length;
//定义一个队列
Queue<Integer> queue = new LinkedList<>();
queue.offer(srcIndex);
//开始循环松弛
while(!queue.isEmpty()) {
int top = queue.poll();
for (int i = 0; i < n; i++) {
if (matrix[top][i] != Integer.MAX_VALUE
&& matrix[top][i] + dist[top] < dist[i]) {
dist[i] = matrix[top][i] + dist[top];
path[i] = top;
queue.offer(i);
}
}
}
}
测试：
- 带负权回路的案例会死循环，这里就不展示了~
public static void testGraphBellmanFord() {
String str = "syztx";
char[] array = str.toCharArray();
GraphByMatrix g = new GraphByMatrix(str.length(),true);
g.initArrayV(array);
g.addEdge('s', 't', 6);
g.addEdge('s', 'y', 7);
g.addEdge('y', 'z', 9);
g.addEdge('y', 'x', -3);
g.addEdge('z', 's', 2);
g.addEdge('z', 'x', 7);
g.addEdge('t', 'x', 5);
g.addEdge('t', 'y', 8);
g.addEdge('t', 'z', -4);
g.addEdge('x', 't', -2);
int[] dist = new int[array.length];
int[] parentPath = new int[array.length];
g.queueBellmanFord('s', dist, parentPath);
g.printShortPath('s', dist, parentPath);
}
public static void main(String[] args) {
testGraphDijkstra();
}
2.5 复杂度分析
M是边的数量，N是顶点的个数
则BF算法的时间复杂度为O(N * M)，而大部分情况下SPFA算法的时间复杂度为O(M)，最坏情况是O(N * M)
如果是稠密图的话，M会变得很大很大，两个算法的时间复杂度都会变得很大！
- 所以这两种算法适合去解决带负权的稀疏图~
3. Floyd-Warshall算法【多源最短路径】
3.1 算法思想
但是，值得注意的是：根据相邻顶点之间的权值，要记录下来每个顶点“一条边的路径”！否则这个算法没有用武之地
- 因为dist初始都是无穷大，并且这个算法的步骤没有用到matrix数组，即没有用到权值
并且：最外层循环的循环遍历的应该对应的是中间节点
如果外两层是i，j循环（路线【i到j】），然后最内层循环是k循环（中间节点），这样子是很局限的，因为这i到j再k循环结束后，就被确定了唯一的最短路径，而不是在单单这一次就确定了，这是很不合理的。
- 因为在后面的变化中，i到j的路线，是很有可能被改变的，而这种写法，后续是没法改掉的！
正确的应该是最外层是k循环（中间节点），内两层是i，j循环（路线【i到j】），这样才能保证路径一定能被发现，并且后续【i到j】的路径也能会应变，直到全部循环结束而被确立下来~
定义：
左图为：一个连通图
右图为：它的dist二维数组（初始状态，未开始算法）
- 定义一个dist二维数组，（i, j）代表这i到j的最短路径路径长
- 定义一个path二维数组，(i, j)代表这个i到j的路径的上一个顶点
- 在这一行上跳动即可
- 为什么可以跳动，原因与以上一致
可见时间复杂度为：O(N3)
推荐：Ep.23 弗洛伊德Floyd-Warshall算法_哔哩哔哩_bilibili
3.2 代码实现
public void floydWarShall(int[][] dist, int[][] path) {
//初始化dist和path
int n = arrayV.length;
for (int i = 0; i < n; i++) {
Arrays.fill(dist[i], Integer.MAX_VALUE);
Arrays.fill(path[i], -1);
}
//每一个顶点的第一代子图，记录在dist和path中，现在局部的最短路径
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
if(matrix[i][j] != Integer.MAX_VALUE) {
dist[i][j] = matrix[i][j];
path[i][j] = i;//这一行的上一个就是i
}else {
path[i][j] = -1;//不存在路径
}
if(i == j) {
dist[i][j] = 0;
path[i][j] = j;//跳回本身
}
}
}
//进行算法，每个顶点都当一回中介点
//每个顶点都被当做一次起始点,终点
//一个点即使起始点有时中介点又是终点，好像也无所谓
//只要满足那个方程！
//顺序完全没关系~
for (int k = 0; k < n; k++) {
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
//规定k代表的是中介点，i为起始点，j为终点
boolean flag = dist[i][k] != Integer.MAX_VALUE
&& dist[k][j] != Integer.MAX_VALUE
&& dist[i][k] + dist[k][j] < dist[i][j];
//取不取等无所谓，只是不同最短路径的区别罢了
if (flag) {
dist[i][j] = dist[i][k] + dist[k][j];
path[i][j] = path[k][j];//【i，j】以【k，j】为子路径
}
}
}
}
}
- i与j与k相等没有什么大碍
测试：
public static void testGraphFloydWarShall() {
String str = "12345";
char[] array = str.toCharArray();
GraphByMatrix g = new GraphByMatrix(str.length(),true);
g.initArrayV(array);
g.addEdge('1', '2', 3);
g.addEdge('1', '3', 8);
g.addEdge('1', '5', -4);
g.addEdge('2', '4', 1);
g.addEdge('2', '5', 7);
g.addEdge('3', '2', 4);
g.addEdge('4', '1', 2);
g.addEdge('4', '3', -5);
g.addEdge('5', '4', 6);
int[][] dist = new int[array.length][array.length];
int[][] path = new int[array.length][array.length];
g.floydWarShall(dist,path);
for (int i = 0; i < array.length; i++) {
g.printShortPath(array[i],dist[i],path[i]);
//把一行一行传过去~
//一行代表一个顶点到其他顶点的最短路径
}
}
public static void main(String[] args) {
testGraphFloydWarShall();
}
文章到此结束！谢谢观看
可以叫我 小马，我可能写的不好或者有错误，但是一起加油鸭?！这就是最短路径问题的全部内容了，如果有什么不懂可以留言/私信讨论！
站长推荐
- SpringSecurity实现前后端分离认证授权
SpringSecurity实现前后端分离认证授权 - stm32使用HAL库配置串口中断收发数据（保姆级教程）
stm32使用HAL库配置串口中断收发数据（保姆级教程） - U8W/U8W-Mini使用与常见问题解决
U8W/U8W-Mini使用与常见问题解决 - 【社区图书馆】伴我前行的一本书《The C Programming Language》
【社区图书馆】伴我前行的一本书《The C Programming Language》 - 【云原生进阶之容器】第六章容器网络6.6.1--Cilium网络方案概述
【云原生进阶之容器】第六章容器网络6.6.1--Cilium网络方案概述