python實現(xiàn)最短路徑的實例方法

更新時間：2020年07月19日 13:41:50 作者：曉曦&sea

在本篇內(nèi)容里小編給大家整理的是關(guān)于python實現(xiàn)最短路徑的實例方法，有需要的朋友們可以參考下。

最短路徑問題（python實現(xiàn)）

解決最短路徑問題：（如下三種算法）

（1）迪杰斯特拉算法（Dijkstra算法）
（2）弗洛伊德算法（Floyd算法）
（3）SPFA算法

第一種算法：

Dijkstra算法

廣度優(yōu)先搜索解決賦權(quán)有向圖或者無向圖的單源最短路徑問題.是一種貪心的策略

算法的思路

聲明一個數(shù)組dis來保存源點到各個頂點的最短距離和一個保存已經(jīng)找到了最短路徑的頂點的集合：T，初始時，原點s的路徑權(quán)重被賦為0（dis[s]=0）。若對于頂點s存在能直接到達的邊（s,m），則把dis[m]設(shè)為w（s, m）,同時把所有其他（s不能直接到達的）頂點的路徑長度設(shè)為無窮大。初始時，集合T只有頂點s。

然后，從dis數(shù)組選擇最小值，則該值就是源點s到該值對應(yīng)的頂點的最短路徑，并且把該點加入到T中，OK，此時完成一個頂點，再看看新加入的頂點是否可以到達其他頂點并且看看通過該頂點到達其他點的路徑長度是否比源點直接到達短，如果是，那么就替換這些頂點在dis中的值，然后，又從dis中找出最小值，重復上述動作，直到T中包含了圖的所有頂點。

第二種算法：

Floyd算法

原理：

Floyd算法（弗洛伊德算法）是一種在有向圖中求最短路徑的算法。它是一種求解有向圖中點與點之間最短路徑的算法。
用在擁有負權(quán)值的有向圖中求解最短路徑（不過不能包含負權(quán)回路）

流程：

有向圖中的每一個節(jié)點X，對于圖中過的2點A和B，

如果有Dis（AX）+ Dis（XB）< Dis（AB），那么使得Dis（AB）=Dis（AX）+Dis（XB)。

當所有的節(jié)點X遍歷完后，AB的最短路徑就求出來了。

示例一：

#-*- coding:utf-8 -*-
 #python實現(xiàn)Floyd算法
 
N = 4 
_=float('inf')   #無窮大 
 graph = [[ 0, 2, 6, 4],[ _, 0, 3, _],[ 7, _, 0, 1],[ 5, _,12, 0]] 
 path = [[-1,-1,-1,-1],[-1,-1,-1,-1],[-1,-1,-1,-1],[-1,-1,-1,-1]]    #記錄路徑，最后一次經(jīng)過的點
def back_path(path,i,j):      #遞歸回溯
while(-1 != path[i][j]):
   back_path(path,i,path[i][j])
    back_path(path,path[i][j],j)
   print path[i][j],14    
 return;
  return;
print "Graph:\n",graph
for k in range(N):
 for i in range(N):
   for j in range(N):
      if graph[i][j] > graph[i][k] + graph[k][j]:
       graph[i][j] = graph[i][k] + graph[k][j]
      path[i][j] = k
 print "Shortest distance:\n",graph
 print "Path:\n",path
 print "Points pass-by:"
 for i in range(N):
 for j in range(N):
   print "%d -> %d:" % (i,j),
    back_path(path,i,j)
    print "\n",

示例二：

#!usr/bin/env python#encoding:utf-8
'''
功能：使用floyd算法求最短路徑距離
'''
import random
import time
def random_matrix_genetor(vex_num=10):  
  '''
  隨機圖頂點矩陣生成器
  輸入：頂點個數(shù)，即矩陣維數(shù)  
  '''
  data_matrix=[]  
  for i in range(vex_num):
    one_list=[]    
    for j in range(vex_num):
      one_list.append(random.randint(1, 100))
    data_matrix.append(one_list)  
    return data_matrixdef floyd(data_matrix):  
    '''
  輸入：原數(shù)據(jù)矩陣，即：一個二維數(shù)組
  輸出：頂點間距離  '''
  dist_matrix=[]
  path_matrix=[]
  vex_num=len(data_matrix) 
  for h in range(vex_num):
    one_list=['N']*vex_num
    path_matrix.append(one_list)
    dist_matrix.append(one_list)  
  for i in range(vex_num):    
    for j in range(vex_num):
      dist_matrix=data_matrix
      path_matrix[i][j]=j  
  for k in range(vex_num):    
    for i in range(vex_num):      
      for j in range(vex_num):        
        if dist_matrix[i][k]=='N' or dist_matrix[k][j]=='N':
          temp='N'
        else:
          temp=dist_matrix[i][k]+dist_matrix[k][j]        
        if dist_matrix[i][j]>temp:
          dist_matrix[i][j]=temp
          path_matrix[i][j]=path_matrix[i][k]  
  return dist_matrix, path_matrixdef main_test_func(vex_num=10):  
   '''
   主測試函數(shù)
   '''
  data_matrix=random_matrix_genetor(vex_num)
  dist_matrix, path_matrix=floyd(data_matrix)  
  for i in range(vex_num):    
  for j in range(vex_num):      
  print '頂點'+str(i)+'----->'+'頂點'+str(j)+'最小距離為:', dist_matrix[i][j]
if __name__ == '__main__':
  data_matrix=[['N',1,'N',4],[1,'N',2,'N'],['N',2,'N',3],[4,'N',3,'N']]
  dist_matrix, path_matrix=floyd(data_matrix)  
  print dist_matrix  
  print path_matrix
 
  time_list=[] 
  print '------------------------------節(jié)點數(shù)為10測試情況------------------------------------'
  start_time0=time.time()
  main_test_func(10)
  end_time0=time.time()
  t1=end_time0-start_time0
  time_list.append(t1)  
  print '節(jié)點數(shù)為10時耗時為：', t1 
  print '------------------------------節(jié)點數(shù)為100測試情況------------------------------------'
  start_time1=time.time()
  main_test_func(100)
  end_time1=time.time()
  t2=end_time1-start_time1
  time_list.append(t2)  
  print '節(jié)點數(shù)為100時耗時為：', t2 
  print '------------------------------節(jié)點數(shù)為1000測試情況------------------------------------'
  start_time1=time.time()
  main_test_func(1000)
  end_time1=time.time()
  t3=end_time1-start_time1
  time_list.append(t3)  
  print '節(jié)點數(shù)為100時耗時為：', t3 
  print '--------------------------------------時間消耗情況為：--------------------------------'
  for one_time in time_list:    
  print one_time

示例三：

import numpy as np
Max   = 100
v_len  = 4
edge  = np.mat([[0,1,Max,4],[Max,0,9,2],[3,5,0,8],[Max,Max,6,0]])
A    = edge[:]
path  = np.zeros((v_len,v_len)) 
 
def Folyd():  
  for i in range(v_len):    
    for j in range(v_len):      
      if(edge[i,j] != Max and edge[i,j] != 0):
        path[i][j] = i 
  print 'init:'
  print A,'\n',path  
  for a in range(v_len):    
    for b in range(v_len):      
      for c in range(v_len):        
        if(A[b,a]+A[a,c]<A[b,c]):
          A[b,c] = A[b,a]+A[a,c]
          path[b][c] = path[a][c]  
  print 'result:'      
  print A,'\n',path        
 
if __name__ == "__main__":
  Folyd()

第三種算法：

SPFA算法是求解單源最短路徑問題的一種算法，由理查德·貝爾曼（Richard Bellman）和萊斯特·福特創(chuàng)立的。有時候這種算法也被稱為 Moore-Bellman-Ford 算法，因為 Edward F. Moore 也為這個算法的發(fā)展做出了貢獻。它的原理是對圖進行V-1次松弛操作，得到所有可能的最短路徑。

其優(yōu)于迪科斯徹算法的方面是邊的權(quán)值可以為負數(shù)、實現(xiàn)簡單，缺點是時間復雜度過高，高達 O(VE)。但算法可以進行若干種優(yōu)化，提高了效率。

思路：

我們用數(shù)組dis記錄每個結(jié)點的最短路徑估計值，用鄰接表或鄰接矩陣來存儲圖G。我們采取的方法是動態(tài)逼近法：設(shè)立一個先進先出的隊列用來保存待優(yōu)化的結(jié)點，優(yōu)化時每次取出隊首結(jié)點u，并且用u點當前的最短路徑估計值對離開u點所指向的結(jié)點v進行松弛操作，如果v點的最短路徑估計值有所調(diào)整，且v點不在當前的隊列中，就將v點放入隊尾。這樣不斷從隊列中取出結(jié)點來進行松弛操作，直至隊列空為止。

您可能感興趣的文章: