基于二叉堆优化的迪杰斯特拉算法

2024-08-23 16:44

本文主要是介绍基于二叉堆优化的迪杰斯特拉算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前言介绍

迪杰斯特拉(Dijkstra)算法是1959年由荷兰计算机科学家Dijkstra提出的算法,用于在加权图中计算从单个源点到其余节点的最短距离。采用贪心策略,每次选取到源点最近且未被访问的节点,遍历它的邻居节点更新它们到源点的最短距离,直到扩展完成。

算法诞生

在迪杰斯特拉算法出现,有这样一个问题:在荷兰的任意选取两个城市,它们的最短距离是多少?在当时,这个问题最好的算法运行时间随着城市规模呈立方增长,而迪杰斯特拉的算法运行时间只会随着城市规模呈平方增长。有趣的是,这个算法是他和未婚妻Maria C. Debets在一个咖啡馆露台喝咖啡的时候,花了二十分钟想出来的。直到今天他的算法还被广泛应用,比如交通路线规划、网络路由等等。此段部分摘自26岁发明最短路径算法,47岁斩获图灵奖。

迪杰斯特拉算法

原始算法

原始的迪杰斯特拉算法步骤大致分为以下几个步骤:

1.初始化距离数组和访问数组(bool类型),并置源点位置为0;

2.遍历选择离源点最近且未被访问的顶点,置其为被访问;

3.依次遍历它的邻居节点并尝试更新与源点的最短距离;

4.直到所有节点遍历结束,扩展完成。

 上述过程的java代码如下:

    public int[] dijkstra(int[][] adj,int source){int n=adj.length;int[] shortest = new int[n];Arrays.fill(shortest,Integer.MAX_VALUE/2);shortest[source]=0;boolean[] visited = new boolean[n];for(int i=0;i<n;i++){int k=-1;for(int j=0;j<n;j++){if(!visited[j]&&(k==-1||shortest[j]<shortest[k]))k=j;}visited[k]=true;for(int m=0;m<n;m++){if(adj[k][m]!=Integer.MAX_VALUE&&shortest[k]+adj[k][m]<shortest[m])shortest[m]=shortest[k]+adj[k][m];}}return shortest;}

原始算法的时间复杂度为O(V^2),空间复杂度为O(V^2),其中V为节点个数。我们可以发现,该算法需要开辟O(V^2)的空间来存储图的信息,并且时间复杂度也是平方级别的,所以它处理小规模图的时候够用,但是在处理大规模节点的时候,空间会溢出,时间上也会超时。因此在节点较多的情况下,原始算法不再适用,所以考虑使用一些数据结构来进行优化。

二叉堆优化

考虑这样一种场景,一个图的节点数是一个大值V,而图中的边E远小于V^2,那么我们在存储图的时候完全可以不用邻接矩阵而是邻接表,可以节省大量空间,并且我们在寻找距离源点最近的节点的时候,原始做法是遍历一遍数组,这边可以使用小根堆的方式来实现,调整的时间复杂度只有log(V)级别,这样我们就描述完了对原始算法的优化点,具体流程可以是这样:

1.初始化距离数组和访问数组(bool类型),读取边并构造图的邻接表;

2.初始化一个小根堆实现的优先级队列,初始的源节点入队,距离源节点的长度为0;

3.队列不为空时,每次弹出一个元素,得到该节点和对应的最短距离,置访问数组对应位置为true,并尝试更新它的邻居节点的当前最短距离;

4.重复操作3,结束之后距离数组中的对应位置存储的值即为各个节点到达源点的最短距离。

上述过程的java代码如下:

public static void main(String[] args) {Scanner scanner = new Scanner(System.in);int n = scanner.nextInt();//节点个数int e=scanner.nextInt();//边个数for(int i=0;i<N;i++){graphAdj[i]=new ArrayList<>();}for(int i=0;i<e;i++){int u = scanner.nextInt();int v = scanner.nextInt();int w = scanner.nextInt();addEdge(u,v,w);}dijkstra(0);//shortest中0到n-1元素即为到源点0的最短距离。}static int N=100010;static List<Edge>[] graphAdj=new ArrayList[N];static int[] shortest=new int[N];static boolean[] visited=new boolean[N];static class Edge{int to;int weight;Edge(int to,int weight){this.to=to;this.weight=weight;}}public static void dijkstra(int source){PriorityQueue<int[]> priorityQueue = new PriorityQueue<>(new Comparator<int[]>() {@Overridepublic int compare(int[] o1, int[] o2) {return o1[1]-o2[1];}});priorityQueue.offer(new int[]{source,0});Arrays.fill(shortest,Integer.MAX_VALUE);shortest[source]=0;while (!priorityQueue.isEmpty()){int[] poll = priorityQueue.poll();int node=poll[0];int distance=poll[1];if(visited[node])continue;visited[node]=true;for(Edge edge:graphAdj[node]){int to = edge.to;int weight = edge.weight;if(distance+weight<shortest[to]){shortest[to]=distance+weight;priorityQueue.offer(new int[]{to,shortest[to]});}}}}public static void addEdge(int u,int v,int w){graphAdj[u].add(new Edge(v,w));graphAdj[v].add(new Edge(u,w));}

代码方面我写的比较完善,所以看上去比原始算法更长,只要多了个构造内部类Edge和添加边的逻辑,然后核心思想在dijkstra(int source)方法中体现,为了应对更大的图,我们直接初始化的时候将N设置的比较大。

复杂度分析

时间复杂度

初始化距离数组时间复杂度为O(V),用堆存储节点和距离源点的当前最小长度,调整的时候时间复杂度为O(logV),每次选取节点之后会遍历边尝试更新邻居节点的最小距离,所以总的时间复杂度为O((V+E)logV)。

空间复杂度

需要距离数组大小O(V),采用邻接表存储图的信息,这块空间复杂度为O(V+E)。所以总的空间复杂度为O(V+E)。

总结

迪杰斯特拉算法在求解有权图的单源最短路径上表现优秀,如果图的规模比较小,采用原始算法即可应对,如果图的节点数V比较多并且图中的边数远小于V^2,那么可以使用二叉堆优化的迪杰斯特拉算法可以有效降低时空复杂度。最后,小伙伴们如果有什么想法欢迎评论区交流:)

这篇关于基于二叉堆优化的迪杰斯特拉算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1099941

相关文章

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

使用国内镜像源优化pip install下载的方法步骤

《使用国内镜像源优化pipinstall下载的方法步骤》在Python开发中,pip是一个不可或缺的工具,用于安装和管理Python包,然而,由于默认的PyPI服务器位于国外,国内用户在安装依赖时可... 目录引言1. 为什么需要国内镜像源?2. 常用的国内镜像源3. 临时使用国内镜像源4. 永久配置国内镜