Brandes算法计算无向图节点最短路径之和-Java代码实现

这篇具有很好参考价值的文章主要介绍了Brandes算法计算无向图节点最短路径之和-Java代码实现。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一、Brandes算法

        Brandes算法是一种经典的计算中介中心性的算法,它通过计算节点对之间的最短路径数量来评估节点的中介中心性。在复杂网络分析中,中介中心性是一种常用的指标,用于衡量节点在网络中的重要性程度。中介中心性越高的节点往往具有更大的影响力,可能成为信息传播、资源流动的关键节点。

Brandes算法计算无向图节点最短路径之和-Java代码实现,算法,java,python,广度优先

        Brandes算法的时间复杂度在最坏情况下是O(nm),其中n代表图中的节点数,m代表图中的边数。这是因为算法需要对每一个节点执行一次广度优先搜索(BFS),并在搜索过程中统计σ值和δ值,这一步骤的时间复杂度为O(m),之后还需要回溯计算中介中心性,对于每个节点来说时间复杂度大致也是线性的。因此,总的时间复杂度较高,但Brandes算法仍然是求解中介中心性问题的一个高效解决方案,尤其是在稀疏图中表现良好。

        对于特定类型或者特别构造的图结构,可能存在更优的算法,但在一般情况下的无向图上计算中介中心性时,相对于以下几种主流的算法,Brandes算法是一个实用且被广泛接受的方法。

  1. Floyd-Warshall 算法:Floyd-Warshall算法可以计算任意两点之间的最短路径,时间复杂度为O(n^3),适合于较小规模的完全图或者需要得到任意两点间最短路径的场景。在仅计算中介中心性的情况下,Brandes算法更高效,因为它利用了单源最短路径的特性。

  2. Dijkstra算法:Dijkstra算法可以找到从一个起点到所有其他点的最短路径,时间复杂度为O(m + n log n)(假设使用优先队列优化)。对于计算所有节点的中介中心性,需要对每个节点作为起点运行Dijkstra算法,总的时间复杂度将会更高。而Brandes算法则一次性完成所有节点的最短路径统计,因此在特定场景下更有优势。

  3. Naive实现:若采用一种简单的遍历计算方法,比如每次针对每个节点对重新计算最短路径,那么这种方法的时间复杂度将会非常高,远高于Brandes算法。

        Brandes算法在计算节点中介中心性问题上相对其他通用最短路径算法有显著的时间效率优势,尤其当关注的是整体网络结构的中介性分析时。然而,如果网络规模极大或内存资源有限,Brandes算法的空间复杂度可能会成为瓶颈,这时可能需要进一步优化或采用分布式计算框架。

二、节点最短距离

        在社交网络分析、复杂网络研究以及许多其他领域中,评估节点在网络中的重要程度是一项核心任务。其中一种方式,衡量某个节点到其他节点的最短路径之和,值越小,说明该节点越接近于其他节点,就越靠近图的中心位置,它可以帮助我们了解节点在网络中的重要性程度。

        这是示例数组:

{
"nodes":[
{"id":"3.1"},
{"id":"4.1"},
{"id":"4.4"},
{"id":"2.3"},
{"id":"1.1"},
{"id":"1.2"}
],
 "edges": [
    {
      "id":"e1",
      "source": "3.1",
      "target": "4.1"
    },
    {
      "id":"e2",
      "source": "4.4",
      "target": "4.1"
    },
    {
      "id":"e3",
      "source": "3.1",
      "target": "4.4"
     },
    {
      "id":"e4",
      "source": "4.1",
      "target": "2.3"
     },
    {
      "id":"e5",
      "source": "4.4",
      "target": "1.1"
     },
    {
      "id":"e6",
      "source": "1.2",
      "target": "1.1"
     }
    ]
}

        这是示例数组对应的无向图:

Brandes算法计算无向图节点最短路径之和-Java代码实现,算法,java,python,广度优先

        我们假设上图中每个节点间的距离均为“1”,如下图所示,例如,我们选取节点“3.1”计算其到其他节点最短路径之和:

Brandes算法计算无向图节点最短路径之和-Java代码实现,算法,java,python,广度优先

        “3.1”到“4.1”和“4.4”距离均为“1”,“3.1”到“1.1”和“2.3”距离均为“2”,“3.1”到“1.2”距离为“3”

        那么,节点“3.1”计算其到其他节点最短路径之和为:1+1+2+2+3=9

        同理,我们可以计算出其他节点的相应的最短路径之和。

三、Java代码实现

        利用Brandes算法,我们能够在无向图中更轻松地计算出每个节点到其他节点最短路径之和。

        以下是Java代码:

// 导入必要的库,用于处理JSON数据及集合操作
import org.json.JSONArray;
import org.json.JSONObject;
import java.util.*;

public class Main {

    public static void main(String[] args) {
        // 获取JSON对象,该对象包含了图的节点和边信息
        JSONObject graphJson = getJsonObject();

        // 创建邻接表表示图结构,键为节点ID,值为连接到该节点的所有节点ID列表
        Map<String, List<String>> adjacencyList = new HashMap<>();
        // 创建一个HashSet存储所有节点ID
        Set<String> nodesSet = new HashSet<>();

        // 解析JSON对象中的"nodes"数组,获取所有节点ID并添加到nodesSet中
        JSONArray nodesArray = graphJson.getJSONArray("nodes");
        for (int i = 0; i < nodesArray.length(); i++) {
            JSONObject nodeObj = nodesArray.getJSONObject(i);
            String nodeId = nodeObj.getString("id");
            nodesSet.add(nodeId);
        }

        // 解析JSON对象中的"edges"数组,构建邻接表
        JSONArray edgesArray = graphJson.getJSONArray("edges");
        for (int i = 0; i < edgesArray.length(); i++) {
            JSONObject edgeObj = edgesArray.getJSONObject(i);
            String source = edgeObj.getString("source");
            String target = edgeObj.getString("target");

            // 假设图是无向的,所以在邻接表中双向添加边
            adjacencyList.computeIfAbsent(source, k -> new ArrayList<>()).add(target);
            adjacencyList.computeIfAbsent(target, k -> new ArrayList<>()).add(source);
        }

        // 计算并存储每个节点的中介中心性
        Map<String, Double> nodeCentralities = new HashMap<>();
        for (String nodeId : nodesSet) {
            double centrality = calculateBetweennessCentrality(adjacencyList, nodeId);
            nodeCentralities.put(nodeId, centrality);
        }

        // 将节点按照其中介中心性降序排列
        List<Map.Entry<String, Double>> sortedNodes = new ArrayList<>(nodeCentralities.entrySet());
        sortedNodes.sort(Map.Entry.comparingByValue(Comparator.reverseOrder()));

        // 输出每个节点及其对应的中介中心性
        System.out.println("节点:该节点到其他节点最短路径距离之和:");
        for (Map.Entry<String, Double> entry : sortedNodes) {
            System.out.println(entry.getKey() + ": " + entry.getValue());
        }
    }

    // 从固定JSON字符串中创建并返回JSONObject
    private static JSONObject getJsonObject() {
        String jsonData = "{\"nodes\":[\n" +
                "{\"id\":\"3.1\"},\n" +
                "{\"id\":\"4.1\"},\n" +
                "{\"id\":\"4.4\"},\n" +
                "{\"id\":\"2.3\"},\n" +
                "{\"id\":\"1.1\"},\n" +
                "{\"id\":\"1.2\"}\n" +
                "],\n" +
                "\"edges\": [\n" +
                " {\n" +
                " \"id\":\"e1\",\n" +
                " \"source\": \"3.1\",\n" +
                " \"target\": \"4.1\"\n" +
                " },\n" +
                " {\n" +
                " \"id\":\"e2\",\n" +
                " \"source\": \"4.4\",\n" +
                " \"target\": \"4.1\"\n" +
                " },\n" +
                " {\n" +
                " \"id\":\"e3\",\n" +
                " \"source\": \"3.1\",\n" +
                " \"target\": \"4.4\"\n" +
                " },\n" +
                " {\n" +
                " \"id\":\"e4\",\n" +
                " \"source\": \"4.1\",\n" +
                " \"target\": \"2.3\"\n" +
                " },\n" +
                " {\n" +
                " \"id\":\"e5\",\n" +
                " \"source\": \"4.4\",\n" +
                " \"target\": \"1.1\"\n" +
                " },\n" +
                " {\n" +
                " \"id\":\"e6\",\n" +
                " \"source\": \"1.2\",\n" +
                " \"target\": \"1.1\"\n" +
                " }\n" +
                " ]\n}";

        JSONObject graphJson = new JSONObject(jsonData);
        return graphJson;
    }


    // 根据给定的邻接表和节点ID,计算该节点的中介中心性
    private static double calculateBetweennessCentrality(Map<String, List<String>> graph, String node) {
        // 初始化用于计算中介中心性的三个HashMap
        Map<String, Integer> sigma = new HashMap<>();
        Map<String, Double> delta = new HashMap<>();
        Map<String, Double> betweenness = new HashMap<>();

        // 初始化所有节点的sigma、delta和betweenness值
        for (String v : graph.keySet()) {
            sigma.put(v, 0);
            delta.put(v, 0.0);
            betweenness.put(v, 0.0);
        }

        // 设置当前节点的sigma值为1
        sigma.put(node, 1);

        // 创建队列(BFS)和栈(用于回溯),以及预处理器列表和距离映射表
        Queue<String> queue = new LinkedList<>();
        Stack<String> stack = new Stack<>();
        Map<String, List<String>> predecessors = new HashMap<>();
        Map<String, Integer> distances = new HashMap<>();

        // 初始化所有节点的预处理器列表和距离值
        for (String v : graph.keySet()) {
            predecessors.put(v, new ArrayList<>());
            distances.put(v, -1);
        }

        // 将当前节点加入队列,并设置距离为0
        queue.offer(node);
        distances.put(node, 0);

        // 开始广度优先搜索(BFS)
        while (!queue.isEmpty()) {
            String v = queue.poll();
            stack.push(v);

            // 遍历当前节点的所有邻居节点
            for (String w : graph.get(v)) {
                // 如果邻居节点尚未访问过,则将其加入队列,并更新距离
                if (distances.get(w) < 0) {
                    queue.offer(w);
                    distances.put(w, distances.get(v) + 1);
                }

                // 当前邻居节点与当前节点的距离等于二者直接相连的距离时,更新sigma值和预处理器列表
                if (distances.get(w) == distances.get(v) + 1) {
                    sigma.put(w, sigma.get(w) + sigma.get(v));
                    predecessors.get(w).add(v);
                }
            }
        }

        // 回溯过程,计算中介中心性
        while (!stack.isEmpty()) {
            String w = stack.pop();
            for (String v : predecessors.get(w)) {
                double c = (double) sigma.get(v) / sigma.get(w) * (1.0 + delta.get(w));
                delta.put(v, delta.get(v) + c);
                betweenness.put(w, betweenness.get(w) + c);
            }
        }

        // 计算给定节点对整个图中介中心性的贡献
        double centrality = 0.0;
        for (String v : graph.keySet()) {
            if (!v.equals(node)) {
                centrality += betweenness.get(v);
            }
        }

        // 返回该节点的中介中心性
        return centrality;
    }
}

        运行结果:

Brandes算法计算无向图节点最短路径之和-Java代码实现,算法,java,python,广度优先

        可以看到,节点“4.4”到其他节点的最短路径之和的值最小,因此,我们可以认为节点“4.4”就是示例图的中心节点。

Brandes算法计算无向图节点最短路径之和-Java代码实现,算法,java,python,广度优先文章来源地址https://www.toymoban.com/news/detail-855965.html

到了这里,关于Brandes算法计算无向图节点最短路径之和-Java代码实现的文章就介绍完了。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!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Dijkstra算法——单源最短路径(指定一个节点(源点)到其余各个顶点的最短路径)

    国庆期间,小明打算从1号城市出发,在五天假期中分别去往不同的城市(2,3,4,5,6)旅游,为减轻负担,他想要知道1号城市到各个城市之间的最短距离。 现在需要设计一种算法求得源点到任意一个城市之间的最短路径。该问题的求解也被称为“单源最短路径”。 在所有

    2024年02月03日
    浏览(55)
  • 【最短路算法】一篇文章彻底弄懂Dijkstra算法|多图解+代码详解

    博主简介: 努力学习的大一在校计算机专业学生,热爱学习和创作。目前在学习和分享:算法、数据结构、Java等相关知识。 博主主页: @是瑶瑶子啦 所属专栏: 算法 ;该专栏专注于蓝桥杯和ACM等算法竞赛🔥 近期目标: 写好专栏的每一篇文章 Dijkstra算法适用于 最短路问题

    2023年04月08日
    浏览(39)
  • 【路径规划】(1) Dijkstra 算法求解最短路,附python完整代码

    好久不见,我又回来了, 这段时间把路径规划的一系列算法整理一下 ,感兴趣的点个关注。今天介绍一下机器人路径规划算法中最基础的 Dijkstra 算法,文末有 python 完整代码,那我们开始吧。 1959 年,荷兰计算机科学家 ·EdsgerWybe·Dijkstra 发表了论文《 A note on two problems in c

    2023年04月08日
    浏览(48)
  • 【路径规划】(2) A* 算法求解最短路,附python完整代码

    大家好,今天和各位分享一下机器人路径规划中非常经典的 A* 算法,感兴趣的点个关注,文末有 python 代码,那我么开始吧。 A* 算法是 1968 年 P.E.Hart[1]等人所提出的 在全局地图环境中所有已知情形下求解最短路径问题的方法,由于其简洁高效,容易实施 等 优点 而受到人们

    2024年02月03日
    浏览(36)
  • 数据结构 -最短路径dijkstra(迪杰斯特拉)算法讲解及代码实现

            迪杰斯特拉算法是一种广义的贪心算法,求出局部最优解,再去求全局最优解 举例图:(起始点为1) 辅助数组: s:记录了目标顶点到其他顶点的最短路径是否求得(求得为1,否则为0) p:目标顶点到其他顶点的最短路径的前驱节点 (如,求得1-7-5的最短路径,那

    2024年02月11日
    浏览(40)
  • [力扣 129]求根节点到叶节点之和

    题目描述: 思路: 可以采用递归+回溯。递归访问左-右-根节点并记录路径。到叶节点后,计算数字并相加。 代码:

    2024年04月14日
    浏览(30)
  • c语言写邻接矩阵的最短路径的Dijkstra算法(附有详细代码)

    (1) 用dis数组来存储源点1到其他顶点的初始路径,标记1号顶点, 此时dis数组中的值称为最短路径的估计值。 (2) 从dis数组中找出离源起点最近的点2号,以2号顶点为源点进行找最近的顶点。把2号顶点标记,表示已经有最小值。 以2号顶点为源点,看2号顶点有哪些出边,看能不

    2024年02月05日
    浏览(45)
  • java实现迪杰斯特拉(Dijkstra)算法求解最短路问题

    迪杰斯特拉(Dijkstra)算法是由荷兰计算机科学家狄克斯特拉于1959年提出的。是寻找从一个顶点到其余各顶点的最短路径算法,可用来解决最短路径问题。 迪杰斯特拉算法采用贪心算法的策略,将所有顶点分为已标记点和未标记点两个集合,从起始点开始,不断在未标记点中寻

    2024年02月12日
    浏览(41)
  • leetcode 129. 求根节点到叶节点数字之和

    给你一个二叉树的根节点 root ,树中每个节点都存放有一个 0 到 9 之间的数字。 每条从根节点到叶节点的路径都代表一个数字: 例如,从根节点到叶节点的路径 1 - 2 - 3 表示数字 123 。 计算从根节点到叶节点生成的 所有数字之和 。 叶节点 是指没有子节点的节点。 示例 1:

    2023年04月23日
    浏览(38)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包