图的简单理解

news2024/11/26 12:16:48

文章目录

  • 1、图的基本概念
  • 2、图的存储结构
    • 2.1 邻接矩阵
    • 2.2 邻接表
  • 3、图的遍历
    • 3.1 广度优先遍历
    • 3.2 深度优先遍历
  • 4、最小生成树
    • 4.1 Kruskal算法
    • 4.2 Prim算法
  • 5、最短路径
    • 5.1 单源最短路径–Dijkstra算法
    • 5.2 单源最短路径–Bellman-Ford算法
    • 5.3 多源最短路径

1、图的基本概念

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，比如下图G3和G4为有向图。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，比如下图G1和G2为无向图。注意：无向边(x, y)等于有向边<x, y>和<y, x>。

在这里插入图片描述

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，比如上图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，比如上图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

在这里插入图片描述

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。

在这里插入图片描述

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

在这里插入图片描述

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。

2、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，那边关系该怎么保存呢？

2.1 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

在这里插入图片描述

注意：

  1. 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
  2. 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

在这里插入图片描述

  1. 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是很好求。
namespace matrix
{
	//W--weight权重
	//Direction false表示无向图，true表示有向图
	template<class V, class W, W MAX_W = INT_MAX, bool Direction = false>
	class Graph
	{
	public:
		Graph() = default;
		//图的创建
		//1. IO输入——不方便测试，oj中更合适
		//2. 图结构关系写到文件，读取文件
		//3. 手动添加边
		Graph(const V* a, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; ++i)
			{
				_vertexs.push_back(a[i]);
				_indexMap[a[i]] = i;
			}
			_matrix.resize(n);
			for (size_t i = 0; i < _matrix.size(); ++i)
			{
				_matrix[i].resize(n, MAX_W);
			}
		}

		//获取顶点的下标
		size_t GetVertexIndex(const V& v)
		{
			auto it = _indexMap.find(v);
			if (it != _indexMap.end())
			{
				return it->second;
			}
			else
			{
				throw invalid_argument("顶点不存在");
				return -1;
			}
		}

		//添加边，可以通过下标添加，也可以通过顶点添加
		void AddEdge(const V& src, const V& dst, const W& w)
		{
			size_t srci = GetVertexIndex(src);
			size_t dsti = GetVertexIndex(dst);
			_matrix[srci][dsti] = w;

			//无向图
			if (Direction == false)
			{
				_matrix[dsti][srci] = w;
			}
		}

		//通过顶点添加边
		void _AddEdge(size_t srci, size_t dsti, const W& w)
		{
			_matrix[srci][dsti] = w;

			//无向图
			if (Direction == false)
			{
				_matrix[dsti][srci] = w;
			}
		}

		void print()
		{
			//顶点
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << "[" << i << "]" << "->" << _vertexs[i] << endl;
			}
			cout << endl;

			//矩阵
			//打印横下标
			cout << "  ";
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << i << " ";
			}
			cout << endl;
			for (size_t i = 0; i < _matrix.size(); ++i)
			{
				cout << i << " ";//竖下标
				for (size_t j = 0; j < _matrix[i].size(); ++j)
				{
					if (_matrix[i][j] == MAX_W)
					{
						cout << "*" << " ";
					}
					else
						cout << _matrix[i][j] << " ";
				}
				cout << endl;
			}
			cout << endl;
		}

	private:
		vector<V> _vertexs;			//顶点集合
		map<V, int> _indexMap;		//顶点映射的下标
		vector<vector<W>> _matrix;	//邻接矩阵
	};

	void test1()
	{
		Graph<char, int, INT_MAX, true> g("0123", 4);
		g.AddEdge('0', '1', 1);
		g.AddEdge('0', '3', 4);
		g.AddEdge('1', '3', 2);
		g.AddEdge('1', '2', 9);
		g.AddEdge('2', '3', 8);
		g.AddEdge('2', '1', 5);
		g.AddEdge('2', '0', 3);
		g.AddEdge('3', '2', 6);
		g.print();
	}
}

2.2 邻接表

使用数组表示顶点的集合，使用链表表示边的关系

无向图邻接表存储

在这里插入图片描述

注意：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

在这里插入图片描述
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 link_table
{
	template<class W>
	struct Edge
	{
		//int _srci;
		int	_dsti;	//目标点的下标
		W _w;		//权值
		Edge<W>* _next;

		Edge(int dsti, const W& w)
			:_dsti(dsti)
			,_w(w)
			,_next(nullptr)
		{}
	};

	//W--weight权重
	template<class V, class W, bool Direction = false>
	class Graph
	{
	public:
		using Edge = Edge<W>;
		Graph(const V* a, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; ++i)
			{
				_vertexs.push_back(a[i]);
				_indexMap[a[i]] = i;
			}

			_tables.resize(n, nullptr);
		}

		//获取顶点的下标
		size_t GetVertexIndex(const V& v)
		{
			auto it = _indexMap.find(v);
			if (it != _indexMap.end())
			{
				return it->second;
			}
			else
			{
				throw invalid_argument("顶点不存在");
				return -1;
			}
		}

		//添加边
		void AddEdge(const V& src, const V& dst, const W& w)
		{
			size_t srci = GetVertexIndex(src);
			size_t dsti = GetVertexIndex(dst);

			//1->2
			Edge* eg = new Edge(dsti, w);
			//头插法进行连接
			eg->_next = _tables[srci];
			_tables[srci] = eg;

			//如果是无向图  2->1
			if (Direction == false)
			{
				Edge* eg = new Edge(srci, w);
				//头插法进行连接
				eg->_next = _tables[dsti];
				_tables[dsti] = eg;
			}
		}

		void print()
		{
			//顶点
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << "[" << i << "]" << "->" << _vertexs[i] << endl;
			}
			cout << endl;

			for (size_t i = 0; i < _tables.size(); ++i)
			{
				cout << _vertexs[i] << "[" << i << "]->";
				Edge* cur = _tables[i];
				while (cur)
				{
					cout <<"["<< _vertexs[cur->_dsti] << ":" << cur->_dsti << ":" << cur->_w << "]->";
					cur = cur->_next;
				}
				cout << "nullptr" << endl;  
			}
		}

	private:
		vector<V> _vertexs;			//顶点集合
		map<V, int> _indexMap;		//顶点映射的下标
		vector<Edge*> _tables;		//邻接表,下标表示源点，下标所有对应的元素表示目标点
	};

	void test1()
	{
		string a[] = { "张三", "李四","王五","赵六" };
		Graph<string, int, true>g1(a, 4);
		g1.AddEdge("张三", "李四", 100);
		g1.AddEdge("张三", "王五", 200);
		g1.AddEdge("王五", "赵六", 30);
		g1.print();
	}
}

3、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。

3.1 广度优先遍历

在这里插入图片描述

使用队列存储需要访问的节点，并对队列中的节点进行标记

//邻接矩阵
void BFS(const V& src)
{
	size_t srci = GetVertexIndex(src);
	//队列和标记数组
	queue<int> q;
	vector<bool> visited(_vertexs.size(), false);
	q.push(srci);
	visited[srci] = true;

	size_t n = _vertexs.size();
	while (!q.empty())
	{
		int front = q.front();
		q.pop();
		cout << front << ":" << _vertexs[front] << endl;
		//如果front顶点的邻接顶点没有访问过，就入队列，并进行标记
		for (size_t i = 0; i < n; ++i)
		{
			if (_matrix[front][i] != MAX_W && visited[i] == false)
			{
				q.push(i);
				visited[i] = true;
			}
		}
	}
	cout << endl;
}

3.2 深度优先遍历

深度优先遍历从某个顶点出发，访问此顶点，然后从v的未被访问的邻接点触发深度优先便利图，直至所有和v有路径想通的顶点都被访问到。

在这里插入图片描述

void _DFS(size_t srci, vector<bool>& visited)
{
	cout << srci << ":" << _vertexs[srci] << endl;
	//标记已经访问过的点
	visited[srci] == true;
	//找一个srci相邻的没有访问过的点，进行深度遍历
	for (size_t i = 0; i < _vertexs.size(); ++i)
	{
		if (_matrix[srci][i] != MAX_W && visited[i] == false)
		{
			_DFS(i, visited);
		}
	}
}

void DFS(const V& src)
{
	size_t srci = GetVertexIndex(src);
	vector<bool> visited(_vertexs.size(), false);
	_DFS(srci, visited);
}

无论是深度优先遍历还是广度优先遍历，如果一个图不是连通图，那么以某个点为起点就不能保证将整个图遍历完。因此所有节点都应该当做起点，然后进行遍历

4、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。因此构造最小生成树的准则有三条：

  1. 只能使用图中的边来构造最小生成树
  2. 只能使用恰好n-1条边来连接图中的n个顶点
  3. 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

如果一个连通图有多个最小生成树，那么Kruskal算法和Prim算法只会生成其中一个

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。

4.1 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。

判断两个端点是否在同一连通分量上就采用并查集

在这里插入图片描述

using Self = Graph<V, W, MAX_W, Direction>;

struct Edge
{
	size_t _srci;
	size_t _dsti;
	W _w;

	Edge(size_t srci, size_t dsti, const W& w)
		:_srci(srci)
		, _dsti(dsti)
		, _w(w)
	{}

	bool operator<(const Edge& e) const
	{
		return this->_w < e._w;
	}

	bool operator>(const Edge& e) const
	{
		return this->_w > e._w;
	}
};

W Kruskal(Self& minTree)
{
	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);
	}
	//建立优先级队列，小堆，方便每次都取最小的边
	priority_queue<Edge, vector<Edge>, greater<Edge>> minq;

	for (size_t i = 0; i < n; ++i)
	{
		for (size_t j = 0; j < i; ++j)
		{
			if (_matrix[i][j] != MAX_W)
			{
				minq.push(Edge(i, j, _matrix[i][j]));
			}
		}
	}

	//选出n-1条边
	int size = 0;
	W totalW = W();
	//使用并查集判断两个点是否在同一个连通分量0
	UnionFindSet ufs(n);
	while (!minq.empty())
	{
		Edge min = minq.top();
		minq.pop();
		//不在同一个连通分量
		if (!ufs.InSet(min._srci, min._dsti))
		{
			cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
			minTree._AddEdge(min._srci, min._dsti, min._w);
			//合并到同一个分量中
			ufs.Union(min._srci, min._dsti);
			++size;
			totalW += min._w;
		}
		else
		{
			cout << "构成环: ";
			cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
		}
	}
	if (size == n - 1)
	{
		return totalW;
	}
	//没有构造最小生成树
	else
	{
		return W();
	}
}

4.2 Prim算法

在这里插入图片描述

Prim算法每一次选边都能保证不存在环，因此不需要像Kruskal算法那样维护一个并查集。但是Prim算法是将图分为两个部分，每次分别从这两个部分中选择条边，并保证这个边是最小的。

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);
		}
	}
	//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]));
		}
	}

	size_t size = 0;
	W totalW = W();
	while (!minq.empty())
	{
		Edge min = minq.top();
		minq.pop();
		//一条边的两个顶点在同一集合中，则不能选择
		if (X.count(min._srci) == 1 && X.count(min._dsti))
		{
			cout << "构成环: ";
			cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << _matrix[min._srci][min._dsti] << endl;
			continue;
		}
		minTree._AddEdge(min._srci, min._dsti, min._w);
		X.insert(min._dsti);
		Y.erase(min._dsti);
		++size;
		totalW += min._w;
		cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << _matrix[min._srci][min._dsti] << endl;
		if (size == n - 1)
		{
			break;
		}
		for (size_t i = 0; i < n; ++i)
		{
			if (_matrix[min._dsti][i] != MAX_W && X.count(i) == 0)
			{
				minq.push(Edge(min._dsti, i, _matrix[min._dsti][i]));
			}
		}
	}

	if (size == n - 1)
	{
		return totalW;
	}
	//没有构造最小生成树
	else
	{
		return W();
	}
}

5、最短路径

最短路径问题：从在带权有向图G中的某一顶点出发，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。

5.1 单源最短路径–Dijkstra算法

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。

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。

在这里插入图片描述

//dist用于存储src到其他节点的最短路径权值，pPath用于存储src到当前节点的路径的上一个节点
//顶点个数N，空间复杂度O(N)，时间复杂度O(N^2)
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);

	//第一个节点到自己的距离为0,自己是自己的上一个节点
	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)
	{
		//选择没有确定最短路径的顶点
		int u = 0;
		W min = MAX_W;
		for (size_t i = 0; i < n; ++i)
		{
			//每次都选择最短路径的顶点
			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)
		{
			//srci->v不是最短路径并且有新的最短路径就需要更新
			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;
			}
		}
	}
}

5.2 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(N3)，这里也可以看出来Bellman-Ford就是一种暴力求解更新。

Bellman-Ford算法不能解决带有负权回路的图的单源最短路径

在这里插入图片描述

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到其他顶点最短路径权值数组
	dist.resize(n, MAX_W);

	//vector<int>parentPath 记录srci到其他顶点最短路径父顶点数组
	pPath.resize(n, -1);

	//先更新srci->srci为最小值
	dist[srci] = W();

	//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)
		{
			cout << "--------------------------" << endl;
			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;
				}
				else
				{
					cout << (dist[i] + _matrix[i][j]) << ":" << dist[j] << "--" << _vertexs[i] << "->" << _vertexs[j] << "不更新" << endl;
				}
			}
		}
		//如果这个轮次中没有更新出最短路径，那么后续就不需要继续了
		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;
}

5.3 多源最短路径

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。

在这里插入图片描述

在这里插入图片描述
即Floyd算法本质是三维动态规划，D[i][j][k]表示从点i到点j只经过0到k个点最短路径，然后建立起转移方程，然后通过空间优化，优化掉最后一维度，变成一个最短路径的迭代算法，最后即得到所以点的最短路。

在这里插入图片描述

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;
			}
			//自己到自己
			if (i == j)
			{
				vvDist[i][j] = W();
			}
		}
	}

	//最短路径的更新，i->{其他顶点}->j
	//k作为中间点尝试去更新i->j的路径
	for (size_t k = 0; k < n; ++k)
	{
		for (size_t i = 0; i < n; ++i)
		{
			for (size_t j = 0; j < n; ++j)
			{
				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相连的上一个相邻顶点
					//如果k->j直接相连，上一个节点就是k，vvPath[k][j]存的就是k
					//如果k->j没有直接相连，k->...->x->j，vvPath[k][j]存的就是x
					vvpPath[i][j] = vvpPath[k][j];
				}
			}
		}
	}
}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/608354.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

路径规划算法：基于差分进化优化的路径规划算法- 附代码

路径规划算法：基于差分进化优化的路径规划算法- 附代码

路径规划算法&#xff1a;基于差分进化优化的路径规划算法- 附代码 文章目录 路径规划算法&#xff1a;基于差分进化优化的路径规划算法- 附代码1.算法原理1.1 环境设定1.2 约束条件1.3 适应度函数 2.算法结果3.MATLAB代码4.参考文献 摘要&#xff1a;本文主要介绍利用智能优化…
阅读更多...
nginx的rewrite功能

nginx的rewrite功能

常用的Nginx 正则表达式 ^匹配输入字符串的起始位置$匹配输入字符串的结束位置*匹配前面的字符零次或多次。如“ol*”能匹配“o”及“ol”、“oll”匹配前面的字符一次或多次。如“ol”能匹配“ol”及“oll”、“olll”&#xff0c;但不能匹配“o”?匹配前面的字符零次或一次…
阅读更多...
【动态规划专栏】--简单-- 动态规划经典题型

【动态规划专栏】--简单-- 动态规划经典题型

目录 动态规划 动态规划思维&#xff08;基础&#xff09; 状态表示&#xff08;最重要&#xff09; 状态转移方程&#xff08;最难&#xff09; 初始化&#xff08;细节&#xff09; 填表顺序&#xff08;细节&#xff09; 返回值&#xff08;结果&#xff09; 解码方…
阅读更多...
【Python FTP/SFTP】零基础也能轻松掌握的学习路线与参考资料

【Python FTP/SFTP】零基础也能轻松掌握的学习路线与参考资料

一、Python FTP/SFTP的学习路线 Python FTP/SFTP是Python语言的两种常用的文件传输协议。在学习Python网络编程过程中&#xff0c;学习FTP/SFTP是非常重要的一步。下面给出Python FTP/SFTP的学习路线&#xff1a; 了解FTP/SFTP协议 在开始学习Python FTP/SFTP之前&#xff0…
阅读更多...
LSB信息隐藏——Python实现（完整解析版）

LSB信息隐藏——Python实现（完整解析版）

系列文章目录 仿射密码实验-Python实现 仿射密码实验——Python实现(完整解析版) DES密码实验-C语言实现 MD5密码实验——Python实现(完整解析版) 文章目录 系列文章目录前言实验方法实验环境实验内容实验步骤1.LSB原理2.确定设计模块Lsb——embdedLsb——extract 实验结果实验…
阅读更多...
performance_schema 初相识 配置详解 应用

performance_schema 初相识 配置详解 应用

千金良方&#xff1a;MySQL性能优化金字塔法则 第4章 performance_schema初相识 第5章 performance_schema配置详解 第6章 performance_schema应用示例荟萃 简介 1、实时监控Server性能监控和诊断的工具 2、它提供了丰富的性能指标和事件&#xff0c;可以帮助你深入了解 MyS…
阅读更多...
2023年6月PMP®项目管理认证招生简章

2023年6月PMP®项目管理认证招生简章

PMP认证是Project Management Institute在全球范围内推出的针对评价个人项目管理知识能力的资格认证体系。国内众多企业已把PMP认证定为项目经理人必须取得的重要资质。 【PMP认证收益】 1、能力的提升&#xff08;领导力&#xff0c;执行力&#xff0c;创新能力&#xff0c…
阅读更多...
python 编译安装指定版本 for linux

python 编译安装指定版本 for linux

python环境是linux中必备的&#xff0c;部分发行版会自带python&#xff0c;有时候需要安装手动安装 注意&#xff1a;如果需要多个版本并存&#xff0c;建议使用conda环境&#xff0c;如果自己配置多版本&#xff0c;需要用多个软链接 conda环境&#xff0c;可以参考&#x…
阅读更多...
【CSS Zoro 01】说在前面 CSS概念 CSS语法 CSS选择器 元素 id 类 组合 通用 分组 属性 后代 子元素 相邻兄弟

【CSS Zoro 01】说在前面 CSS概念 CSS语法 CSS选择器 元素 id 类 组合 通用 分组 属性 后代 子元素 相邻兄弟

CSS 说在前面概念语法 syntaxCSS选择器 说在前面 最近挺喜欢看One Piece的&#xff0c;并且发现前端三剑客如果对应上Sanji&#xff0c;Zoro和Luffy的话会很有趣&#xff0c;所以说非常想在博客里面对应上小彩蛋&#xff0c;即使会损失一些SEO&#xff0c;但是这样做对我来说很…
阅读更多...
算法修炼之筑基篇——筑基一层（解决01背包问题）

算法修炼之筑基篇——筑基一层（解决01背包问题）

✨博主&#xff1a;命运之光 ✨专栏&#xff1a;算法修炼之练气篇​​​​​ ✨博主的其他文章&#xff1a;点击进入博主的主页 前言&#xff1a;学习了算法修炼之练气篇想必各位蒟蒻们的基础已经非常的扎实了&#xff0c;下来我们进阶到算法修炼之筑基篇的学习。筑基期和练气期…
阅读更多...
raise AssertionError(“Torch not compiled with CUDA enabled“)

raise AssertionError(“Torch not compiled with CUDA enabled“)

1、运行代码可知&#xff0c;当前cuda不可用。 import torch print(torch.cuda.is_available()) # False 2、打开power shell or cmd&#xff0c;输入nvidia-smi命令&#xff0c;检查当前英伟达显卡信息。 可知当前驱动版本512.78&#xff0c;支持的cuda最高版本为11.6&…
阅读更多...
时间序列教程 六、深度学习与时间序列分析结合

时间序列教程 六、深度学习与时间序列分析结合

一、深度学习方法 与传统的时间序列预测模型相比，神经网络有以下几个好处： 1、自动学习如何将趋势、季节性和自相关等系列特征纳入预测。 2、能够捕捉非常复杂的模式。 3、可以同时建模许多相关的系列，而不是单独处理每个系列。 但是神经网络有一些劣势： 1、模型的构建可能…
阅读更多...
PyCharm开发工具的安装与使用

PyCharm开发工具的安装与使用

PyCharm集成开发工具(IDE),是当下全球python开发者&#xff0c;使用最频繁的工具软件。绝大多数的python程序&#xff0c;都是在PyCharm工具内完成的开发。 1.先进行下载并安装它 下载官网地址&#xff1a;https://www.jetbrains.com/pycharm/download/#sectionwindows 宝子…
阅读更多...
SpringBoot自定义拦截器实现权限过滤功能(基于责任链模式)

SpringBoot自定义拦截器实现权限过滤功能(基于责任链模式)

前段时间写过一篇关于自定义拦截器实现权限过滤的文章&#xff0c;当时是用了自定义mybatis拦截器实现的&#xff1a;SpringBoot自定义Mybatis拦截器实现扩展功能(比如数据权限控制)。最近学习设计模式发现可以用责任链模式实现权限过滤&#xff0c;因此本篇采用责任链模式设计…
阅读更多...
Docker（概述、安装、配置、镜像操作）

Docker（概述、安装、配置、镜像操作）

一、docker是什么&#xff1f; docker是一种go语言开发的应用容器引擎&#xff0c;运行容器里的应用。docker是用来管理容器和镜像的一种工具。 容器引擎&#xff1a;docker、rocket、podman、containerd 容器与虚拟机的区别 容器&#xff1a;所有容器共享宿主机内核。使用…
阅读更多...
【手撕Spring源码】AOP

【手撕Spring源码】AOP

文章目录 AOP 实现之 ajc 编译器AOP 实现之 agent 类加载AOP 实现之 proxyJDK代理CGLIB代理JDK动态代理进阶CGLIB代理进阶MethodProxy JDK 和 CGLIB 在 Spring 中的统一切点匹配从 Aspect 到 Advisor通知转换调用链执行静态通知调用动态通知调用 AOP 底层实现方式之一是代理&am…
阅读更多...
Java/Compose Desktop项目中进行python调用

Java/Compose Desktop项目中进行python调用

写在前面 开发compose desktop项目爬网站时遇到验证码处理不方便需要借助python庞大的处理能力&#xff0c;这时需要再项目中调用python去执行获取结果&#xff0c;这里记录一下使用过程。 本次开发记录基于&#xff1a;python 3.9&#xff0c;compose 1.3 java17 工具&#x…
阅读更多...
2年测试我迷茫了，软件测试大佬都会哪些技能？我的测试进阶之路...

2年测试我迷茫了，软件测试大佬都会哪些技能？我的测试进阶之路...

目录&#xff1a;导读 前言一、Python编程入门到精通二、接口自动化项目实战三、Web自动化项目实战四、App自动化项目实战五、一线大厂简历六、测试开发DevOps体系七、常用自动化测试工具八、JMeter性能测试九、总结&#xff08;尾部小惊喜&#xff09; 前言 Python自动化测试&…
阅读更多...
【MCS-51单片机汇编语言】期末复习总结④——求定时器初值（题型四）

【MCS-51单片机汇编语言】期末复习总结④——求定时器初值（题型四）

文章目录 重要公式T~机器~ 12 / ∫~晶振~(2^n^ - X) * T~机器~ T~定时~ 工作方式寄存器TMOD常考题型例题1题解方式0方式1 关于定时器的常考题目为已知晶振 ∫ 、定时时间&#xff0c;求定时器初值。 重要公式 T机器 12 / ∫晶振 (2n - X) * T机器 T定时 其中n为定时器位数…
阅读更多...
线性代数2：矩阵（1）

线性代数2：矩阵（1）

目录 矩阵&#xff1a; 矩阵的定义&#xff1a; 0矩阵 方阵 同型矩阵&#xff1a; 矩阵相等的判定条件 矩阵的三则运算&#xff1a; 乘法的适用条件 矩阵与常数的乘法&#xff1a; 矩阵的乘法&#xff1a; 矩阵的乘法法则&#xff1a; Note1&#xff1a; Note2&…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023