图的邻接矩阵
namespace Graph_Structure
{
//Vertex是代表顶点的数据类型,Weight是边的权值的数据类型,MAX_W是权值的上限值(表示不相两)
//Direction表示图是否为有向图
template<class Vertex, class Weight = int, Weight MAX_W = INT_MAX, bool Direction = false>
class Graph
{
typedef Graph<Vertex, Weight, MAX_W, Direction> Self;
public:
//使用编译器的默认构造函数
Graph() = default;
//给定一个存放顶点的数组用来初始化图
Graph(const Vertex* a, size_t n)
{
_vertexs.reserve(n);
_indexMap.rehash(n);
_matrix.resize(n, std::vector<Weight>(n, MAX_W));
for (size_t i = 0; i < n; ++i)
{
_vertexs.push_back(a[i]);
//建立顶点和数组下标的映射(目的是为了邻接矩阵的边存储)
_indexMap[a[i]] = i;
}
}
//获取顶点在邻接矩阵中对应的下标
size_t GetVertexIndex(const Vertex& vertex)
{
if (_indexMap.find(vertex) == _indexMap.end())
{
throw "invalued_para";
return -1;
}
return _indexMap[vertex];
}
void _AddEdge(size_t srci, size_t dsti, const Weight& w)
{
//判断是有向图还是无向图
if (Direction == false)
{
_matrix[dsti][srci] = w;
}
_matrix[srci][dsti] = w;
}
//给定起点和终点,在邻接矩阵中添加一条边
void AddEdge(const Vertex& src, const Vertex& dst, const Weight& w)
{
if (_indexMap.find(src) == _indexMap.end() || _indexMap.find(dst) == _indexMap.end())
{
throw "invalued_para";
}
size_t srci_index = GetVertexIndex(src);
size_t dst_index = GetVertexIndex(dst);
_AddEdge(srci_index, dst_index, w);
}
//将图的邻接矩阵打印出来
void Print()
{
for (auto e : _vertexs)
{
std::cout << e << '[' << _indexMap[e] << ']' << std::endl;
}
std::cout << " ";
for (int i = 0; i < _vertexs.size(); ++i)
{
std::cout << i << " ";
}
std::cout << std::endl;
int i = 0;
for (auto arry : _matrix)
{
std::cout << i++ << ' ';
for (auto e : arry)
{
if (e == MAX_W)
{
printf("%4c ", '*');
}
else
{
printf("%4d ", e);
}
}
std::cout << std::endl;
}
}
//图的广度优先遍历
void BFS(const Vertex& src)
{
size_t begin = GetVertexIndex(src);
std::queue<int> QNode;
std::vector<bool> Label(_vertexs.size(), false);
QNode.push(begin);
Label[begin] = true;
size_t Level = 0;
while (!QNode.empty())
{
size_t LevelSize = QNode.size();
for (size_t i = 0; i < LevelSize; ++i)
{
size_t front = QNode.front();
QNode.pop();
std::cout << _vertexs[front] << '[' << front << ']' << std::endl;
for (int j = 0; j < _vertexs.size(); ++j)
{
if (Label[j] == false && _matrix[front][j] != MAX_W)
{
QNode.push(j);
Label[j] = true;
}
}
}
}
}
//图的深度优先遍历
void DFS(const Vertex& src)
{
std::vector<bool> visited(_vertexs.size(), false);
_DFS(GetVertexIndex(src), visited);
}
private:
void _DFS(size_t srci, std::vector<bool>& visited)
{
visited[srci] = true;
std::cout << _vertexs[srci] << '[' << srci << ']' << std::endl;
for (int i = 0; i < _vertexs.size(); ++i)
{
if (_matrix[srci][i] != MAX_W && visited[i] == false)
{
_DFS(i, visited);
}
}
}
private:
std::vector<Vertex> _vertexs; // 顶点集合
std::unordered_map<Vertex, size_t> _indexMap; // 顶点映射下标
std::vector<std::vector<Weight>> _matrix; // 邻接矩阵
};
}
在有向赋权图中(可以存在带负权值的路径,但不能存在总权值为负数的环路),Floyd-Warshall算法可以求出任意两个顶点间的最短路径
一.Floyd-Warshall算法思想(基于动态规划)
-
假设图中有
N
个顶点,顶点按照0~N-1
进行编号 -
算法中使用二维数组
Dist
来记录点与点之间的最短路径长度,Dist[i][j]
表示第i个顶点到第j个顶点的最短路径长度,Dist
数组的初始状态为图的邻接矩阵的拷贝 -
任意两个顶点
i
和j
之间的最短路径上可能存在0 ~ N-2
个顶点: -
假设顶点
i
到顶点j
的最短路径上编号最大的顶点为k
顶点,i
到k
之间的路径为p1
,k
到j
之间的路径为p2
(不难证明,p1
同时也是顶点i
到顶点k
的最短路径,p2
同时也是顶点k
到顶点j
的最短路径) -
从而有状态转移方程:
Dist[i][j] = Dist[i][k] + Dist[k][j]
-
最短路径
p1
和p2
也可以按照相同的方式划分出子路径.重复路径划分,直到将路径划分成不能再被分割的各个最小状态,从各个最小状态开始进行状态转移就可以得到顶点i
到顶点j
的最短路径. -
状态转移求任意两点的最短路径的过程可以通过如下循环完成:
//动态规划求最优解
for (int k = 0; k < _vertexs.size(); ++k)
{
for (int i = 0; i < _vertexs.size(); ++i)
{
for (int j = 0; j < _vertexs.size(); ++j)
{
if (Dist[i][k] != MAX_W && Dist[k][j] != MAX_W &&
Dist[i][k] + Dist[k][j] < Dist[i][j])
{
Dist[i][j] = Dist[i][k] + Dist[k][j];
}
}
}
}
文章来源:https://www.toymoban.com/news/detail-707846.html
- 其他任意两点的最短路径的确定过程也是类似的
二.Floyd-Warshall算法接口
//多源最短路径算法(允许带负权路径存在)
//Dist数组用于记录顶点间的最短路径的长度
//ParentPath数组用于记录最短路径上某个顶点的前驱结点编号
void FloydWarShall(std::vector<std::vector<Weight>>& Dist, std::vector<std::vector<int>>& ParentPath)
{
Dist.resize(_vertexs.size(), std::vector<Weight>(_vertexs.size(), MAX_W));
ParentPath.resize(_vertexs.size(), std::vector<int>(_vertexs.size(), -1));
//根据图的邻接矩阵初始化Dist数组
for (int i = 0; i < _matrix.size(); ++i)
{
for (int j = 0; j < _matrix.size(); ++j)
{
if (i == j)
{
Dist[i][j] = 0;
}
else if(_matrix[i][j] != MAX_W)
{
Dist[i][j] = _matrix[i][j];
ParentPath[i][j] = i;
}
}
}
//动态规划求各个最短路径
for (int k = 0; k < _vertexs.size(); ++k)
{
for (int i = 0; i < _vertexs.size(); ++i)
{
for (int j = 0; j < _vertexs.size(); ++j)
{
if (Dist[i][k] != MAX_W && Dist[k][j] != MAX_W &&
Dist[i][k] + Dist[k][j] < Dist[i][j])
{
Dist[i][j] = Dist[i][k] + Dist[k][j];
//i到j最短路径上,j顶点的前驱为k到j最短路径上j的前驱
ParentPath[i][j] = ParentPath[k][j];
}
}
}
}
}
笔记附录:单源最短路径–Bellman-Ford算法
Bellman-Ford
算法可以在带负权路径的图中求解单源最短路径的问题- 一维数组
Dist
用于记录源点到其他顶点的最短路径的长度:Dist[i]
表示源点到i
号结点的最短路径长度 - 一维数组
ParentPath
数组用于记录最短路径上某个顶点的前驱结点编号:ParentPath[i]
表示在最短路径上,第i
号结点的前驱结点的编号
1.Bellman-Ford算法接口核心部分
for (int i = 0; i < _vertexs.size() - 1; ++i)
{
for (int j = 0; j < _vertexs.size(); ++j)
{
for (int k = 0; k < _vertexs.size(); ++k)
{
if (_matrix[j][k] != MAX_W && dist[j] != MAX_W &&
_matrix[j][k] + dist[j] < dist[k])
{
dist[k] = _matrix[j][k] + dist[j];
parentPath[k] = j;
}
}
}
-
可以证明:上面的循环可以遍历任何一条可能存在的最短路径.对于任意一条最短路径,内部的双层循环至少可以记录下最短路径上的一条边,因此最外层循环只要进行
N-1
次(N
为图的顶点数目)就可以遍历完所有的最短路径: Bellman-Ford
算法需要检验图中是否存在总权值为负数的环路,存在总权值为负数的环路的图无法求解最短路径问题
2.Bellman-Ford算法接口
//带负权路径的单源最短路径算法
bool BellmanFord(const Vertex& src, std::vector<Weight>& dist, std::vector<int>& parentPath)
{
dist.resize(_vertexs.size(), MAX_W);
parentPath.resize(_vertexs.size(), -1);
int srci = GetVertexIndex(src);
dist[srci] = Weight();
bool flag = true;
for (int i = 0; i < _vertexs.size() - 1; ++i)
{
for (int j = 0; j < _vertexs.size(); ++j)
{
for (int k = 0; k < _vertexs.size(); ++k)
{
if (_matrix[j][k] != MAX_W && dist[j] != MAX_W &&
_matrix[j][k] + dist[j] < dist[k])
{
//经过j结点,更新源点到k结点的路径长度
dist[k] = _matrix[j][k] + dist[j];
parentPath[k] = j;
flag = false;
}
}
}
if (flag)
{
//路径不再发生更新,则说明所有最短路径都已经确定
return false;
}
flag = true;
}
//检验图中是否存在负权环路
//如果存在负权环路,则Dist数组会继续被更新
flag = false;
for (int j = 0; j < _vertexs.size(); ++j)
{
for (int k = 0; k < _vertexs.size(); ++k)
{
if (_matrix[j][k] != MAX_W && dist[j] != MAX_W &&
_matrix[j][k] + dist[j] < dist[k])
{
dist[k] = _matrix[j][k] + dist[j];
flag = true;
}
}
}
return flag;
}
文章来源地址https://www.toymoban.com/news/detail-707846.html
到了这里,关于多源最短路径算法:Floyd-Warshall算法分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!