python實(shí)現(xiàn)Dijkstra算法的最短路徑問(wèn)題
迪杰斯特拉(Dijkstra)算法主要是針對(duì)沒(méi)有負(fù)值的有向圖,求解其中的單一起點(diǎn)到其他頂點(diǎn)的最短路徑算法。
1 算法原理
迪杰斯特拉(Dijkstra)算法是一個(gè)按照路徑長(zhǎng)度遞增的次序產(chǎn)生的最短路徑算法。下圖為帶權(quán)值的有向圖,作為程序中的實(shí)驗(yàn)數(shù)據(jù)。
其中,帶權(quán)值的有向圖采用鄰接矩陣graph來(lái)進(jìn)行存儲(chǔ),在計(jì)算中就是采用n*n的二維數(shù)組來(lái)進(jìn)行存儲(chǔ),v0-v5表示數(shù)組的索引編號(hào)0-5,二維數(shù)組的值表示節(jié)點(diǎn)之間的權(quán)值,若兩個(gè)節(jié)點(diǎn)不能通行,比如,v0->v1不能通行,那么graph[0,1]=+∞ (采用計(jì)算機(jī)中最大正整數(shù)來(lái)進(jìn)行表示)。那如何求解從v0每個(gè)v節(jié)點(diǎn)的最短路徑長(zhǎng)度呢?
首先,引進(jìn)一個(gè)輔助數(shù)組cost,它的每個(gè)值cost[i]表示當(dāng)前所找到的從起始點(diǎn)v0到終點(diǎn)vi的最短路徑的權(quán)值(長(zhǎng)度花費(fèi)),該數(shù)組的初態(tài)為:若從v0到vi有弧,則cost[i]為弧上的權(quán)值,否則置cost[i]為+∞。
顯然,長(zhǎng)度為:cost[j]=Min_i(graph[0,i] | v_i in V)的路徑就是從v0出發(fā)的長(zhǎng)度最短的一條最短路徑。此路徑為(v_0,v_j) ,那么下次長(zhǎng)度次短的路徑必定是弧(v_0,v_i)上的權(quán)值cost[i](v_i in V),或者是cost[k](v_k in S)和弧(v_k,v_i)的權(quán)值之和。其中V:待求解最短路徑的節(jié)點(diǎn)j集合;S:已求解最短路徑的節(jié)點(diǎn)集合。
2 算法流程
根據(jù)上面的算法原理分析,下面描述算法的實(shí)現(xiàn)流程。
初始化:初始化輔助數(shù)組cost,從v0出發(fā)到圖上其余節(jié)點(diǎn)v的初始權(quán)值為:cost[i]=graph[0,i] | v_i in V ;初始化待求節(jié)點(diǎn)S集合,它的初始狀態(tài)為始點(diǎn),V集合,全部節(jié)點(diǎn)-始節(jié)點(diǎn)。
選擇節(jié)點(diǎn)v_j ,使得cost[j]=Min ( cost[i] | v_i in V -S ) ,v_j 就是當(dāng)前求的一條從v0出發(fā)的最短路徑的終點(diǎn),修改S集合,使得 S=S + V_j ,修改集合V = V - V_j。
修改從v0出發(fā)到節(jié)點(diǎn)V-S上任一頂點(diǎn) v_k 可達(dá)的最短路徑,若cost[j]+graph[j,k]<cost[k] ,則修改cost[k]為:cost[k]=cost[j]+graph[j,k] 。
重復(fù)操作2,3步驟,直到求解集合V中的所有節(jié)點(diǎn)為止。
其中最短路徑的存儲(chǔ)采用一個(gè)path整數(shù)數(shù)組,path[i]的值記錄vi的前一個(gè)節(jié)點(diǎn)的索引,通過(guò)path一直追溯到起點(diǎn),就可以找到從vi到起始節(jié)點(diǎn)的最短路徑。比如起始節(jié)點(diǎn)索引為0,若path[3]=4, path[4]=0;那么節(jié)點(diǎn)v2的最短路徑為,v0->v4->v3。
3 算法實(shí)現(xiàn)
采用python語(yǔ)言對(duì)第2節(jié)中的算法流程進(jìn)行實(shí)現(xiàn),關(guān)鍵代碼如下。
3.1 最短路徑代碼
#!/bin/python # -*- coding:utf-8 -*- def dijkstra(graph, startIndex, path, cost, max): """ 求解各節(jié)點(diǎn)最短路徑,獲取path,和cost數(shù)組, path[i] 表示vi節(jié)點(diǎn)的前繼節(jié)點(diǎn)索引,一直追溯到起點(diǎn)。 cost[i] 表示vi節(jié)點(diǎn)的花費(fèi) """ lenth = len(graph) v = [0] * lenth # 初始化 path,cost,V for i in range(lenth): if i == startIndex: v[startIndex] = 1 else: cost[i] = graph[startIndex][i] path[i] = (startIndex if (cost[i] < max) else -1) # print v, cost, path for i in range(1, lenth): minCost = max curNode = -1 for w in range(lenth): if v[w] == 0 and cost[w] < minCost: minCost = cost[w] curNode = w # for 獲取最小權(quán)值的節(jié)點(diǎn) if curNode == -1: break # 剩下都是不可通行的節(jié)點(diǎn),跳出循環(huán) v[curNode] = 1 for w in range(lenth): if v[w] == 0 and (graph[curNode][w] + cost[curNode] < cost[w]): cost[w] = graph[curNode][w] + cost[curNode] # 更新權(quán)值 path[w] = curNode # 更新路徑 # for 更新其他節(jié)點(diǎn)的權(quán)值(距離)和路徑 return path if __name__ == '__main__': max = 2147483647 graph = [ [max, max, 10, max, 30, 100], [max, max, 5, max, max, max], [max, max, max, 50, max, max], [max, max, max, max, max, 10], [max, max, max, 20, max, 60], [max, max, max, max, max, max], ] path = [0] * 6 cost = [0] * 6 print dijkstra(graph, 0, path, cost, max)
4 運(yùn)行結(jié)果
[0, -1, 0, 4, 0, 3]
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
- Python數(shù)據(jù)結(jié)構(gòu)與算法之圖的最短路徑(Dijkstra算法)完整實(shí)例
- Python使用Dijkstra算法實(shí)現(xiàn)求解圖中最短路徑距離問(wèn)題詳解
- Python實(shí)現(xiàn)Dijkstra算法
- python實(shí)現(xiàn)dijkstra最短路由算法
- python實(shí)現(xiàn)Dijkstra靜態(tài)尋路算法
- python Dijkstra算法實(shí)現(xiàn)最短路徑問(wèn)題的方法
- python3實(shí)現(xiàn)Dijkstra算法最短路徑的實(shí)現(xiàn)
- 一文教你用python編寫(xiě)Dijkstra算法進(jìn)行機(jī)器人路徑規(guī)劃
- python最短路徑的求解Dijkstra算法示例代碼
相關(guān)文章
keras訓(xùn)練曲線,混淆矩陣,CNN層輸出可視化實(shí)例
這篇文章主要介紹了keras訓(xùn)練曲線,混淆矩陣,CNN層輸出可視化實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-06-06用Python編寫(xiě)分析Python程序性能的工具的教程
這篇文章主要介紹了用Python編寫(xiě)分析Python程序性能的工具教程,包括了對(duì)內(nèi)存泄漏等常見(jiàn)問(wèn)題的檢測(cè)方法,需要的朋友可以參考下2015-04-04淺談Python實(shí)時(shí)檢測(cè)CPU和GPU的功耗
本文主要介紹了淺談Python實(shí)時(shí)檢測(cè)CPU和GPU的功耗,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-01-01tensorflow使用L2 regularization正則化修正overfitting過(guò)擬合方式
這篇文章主要介紹了tensorflow使用L2 regularization正則化修正overfitting過(guò)擬合方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-05-05Django切換數(shù)據(jù)庫(kù)和遷移數(shù)據(jù)詳解
這篇文章主要介紹了Django切換數(shù)據(jù)庫(kù)和遷移數(shù)據(jù)詳解的相關(guān)資料,需要的朋友可以參考下2022-11-11