本文主要是介绍算法快学笔记（十三）：狄克斯特拉（Dijkstra）算法原理与实现，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！
1. 简介
广度优先算法可以找出段数最少的路径，但是对于路径上带权重的图，想要找出最快的路径，则需要使用狄克斯特拉算法。
2. 原理
为了说明狄克斯特拉算法的原理，使用换钢琴的的例子来做说明.
假设Rama想拿自己的乐谱换架钢琴：
- Alex说：“这是我最喜欢的乐队Destroyer的海报，我愿意拿它换你的乐谱。
- 如果你再加5美元，还可拿乐谱换我这张稀有的Rick Astley黑胶唱片。”
- Amy说：“哇，我听说这张黑胶唱片里有首非常好听的歌曲，我愿意拿我的吉他或架子鼓换这张海报或黑胶唱片。
- Beethoven惊呼：“我一直想要吉他，我愿意拿我的钢琴换Amy的吉他或架子鼓。”
商品兑换的关系如下：
现在需要确定，Rama如何才能以最少的钱换到他想要的钢琴。
狄克斯特拉算法解决问题的思路主要包括以下四步：
- 找出最便宜的节点，即可用最便宜的价格可前往的节点。
- 对于该节点的邻居，检查是否有前往它们的更短路径，如果有，就更新其开销。
- 重复这个过程，直到对图中的每个节点都这样做了。
- 计算最终路径
下面结合狄克斯特拉的算法步骤，对该问题进行推算。
2.1 找出最便宜的节点
对于乐谱而言，可以直接兑换唱片和海报，所需的费用分别为5和0.
为了观察的算法过程中数据的变化情况，使用一个表格来计算兑换的开销以及父节点的情况，对于目前开销的未知的节点用无穷大来表示，经过该步骤后，数据的情况如下：
| 父节点 | 节点 | 成本 |
|---|---|---|
| 乐谱 | 唱片 | 5 |
| 乐谱 | 海报 | 0 |
| – | 吉他 | ∞ |
| – | 架子鼓 | ∞ |
| – | 钢琴 | ∞ |
2.2 计算前往该节点的各个邻居的开销
通过步骤1的处理，得知从乐谱->海波的开销是最小的。此时计算从海报到达各邻居节点的开销，如果邻居节点的开销变少了，则更新其开销和父节点。最终的结果如下：
| 父节点 | 节点 | 成本 |
|---|---|---|
| 乐谱 | 唱片 | 5 |
| 乐谱 | 海报 | 0 |
| 海报 | 吉他 | 30 |
| 海报 | 架子鼓 | 35 |
| – | 钢琴 | ∞ |
2.3 重复上面的步骤
接下来还没有被遍历的节点中，最便宜的兑换商品为唱片，此时计算从唱片到达各邻居节点的开销，通过计算，从唱片到达吉他只需20,从唱片到达架子鼓只需25,因此需要更新结果表中吉他和架子鼓的父节点以及成本，最终结果如下：
| 父节点 | 节点 | 成本 |
|---|---|---|
| 乐谱 | 唱片 | 5 |
| 乐谱 | 海报 | 0 |
| 唱片 | 吉他 | 20 |
| 唱片 | 架子鼓 | 25 |
| – | 钢琴 | ∞ |
接下来最便宜的节点是吉他，从吉他这个路径走，到钢琴的价格为40.接z最后是架子鼓，从架子鼓这个路径走，到钢琴的价格为35. 于是最终结果如下：
| 父节点 | 节点 | 成本 |
|---|---|---|
| 乐谱 | 唱片 | 5 |
| 乐谱 | 海报 | 0 |
| 唱片 | 吉他 | 20 |
| 唱片 | 架子鼓 | 25 |
| 架子鼓 | 钢琴 | 35 |
通过上述表格反推，花费最小的兑换路径为：乐谱–>唱片–>架子鼓–>钢琴，需要花费35.
实现
代码的实现中，需要维护三个散列表：
- graph:用来描述顶点与边的关系,为了简单演示，可以直接使用字典的形式表示顶点与边。
- costs:用来记录途径顶点的开销
- parents:用来记录各顶点的父顶点情况
代码如下：
# -*- coding:utf-8 -*-
# @Author：sunaihua
'''
使用Dijkstra算法得到带权图的最短路径
'''#graph 结构
graph={}
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
graph["a"] = {}
graph["a"]["fin"] = 1
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5
graph["fin"] = {}# 成本数据
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity
# parent数据
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None
# 已经处理过的节点
processed = []def find_lowest_cost_node(costs):lowest_cost = float("inf")lowest_cost_node = Nonefor node in costs:cost = costs[node]if cost < lowest_cost and node not in processed:lowest_cost = costlowest_cost_node = nodereturn lowest_cost_nodedef dijkstra():node = find_lowest_cost_node(costs)while node is not None:cost = costs[node]neighbors = graph[node]for n in neighbors.keys():new_cost = cost + neighbors[n]if costs[n] > new_cost:costs[n] = new_costparents[n] = nodeprocessed.append(node)node = find_lowest_cost_node(costs)# 更具parents中的fin，向前反推，就可以得到最终的路径print parentsif __name__ == '__main__':dijkstra()
总结
- 广度优先搜索用于在非加权图中查找最短路径。
- 狄克斯特拉算法用于在加权图中查找最短路径。
- 仅当权重为正时狄克斯特拉算法才管用。
- 如果图中包含负权边，请使用贝尔曼-福德算法。
这篇关于算法快学笔记（十三）：狄克斯特拉（Dijkstra）算法原理与实现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！
