<强>一、简介强>
是从一个顶点到其余各顶点的最短路径算法,解决的是有向图中最短路径问题。迪杰斯特拉算法主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止
<强>二,步骤强>
(1)找出“最便宜”的节点,即可在最短时间内到达的节点。
(2)更新该节点的邻居的开销,其含义将稍后介绍。
(3)重复这个过程,直到对图中的每个节点都这样做了。
(4)计算最终路径。
<强>三、图解强>
上图中包括5个节点,箭头表示方向,线上的数字表示消耗时间。
首先根据上图做出一个初始表(父节点代表从哪个节点到达该节点):
有了这个表我们可以根据算法的步骤往下进行了。
第一步:找出“最便宜”的节点,这里是节点B:
# - *编码:utf - 8 - * #用散列表实现图的关系 #创建节点的开销表,开销是指从“起”点到该节点的权重 图={} 图(“开始”)={} 图(“开始”)[a]=6 图["开始"][b]=2 图[a]={} 图[a]["结束")=1 图[b]={} 图[b] [a]=3 图[b]["结束"]=5 图(“结束”)={} #无穷大 ∞=浮动(正) 成本={} 成本[a]=6 成本[b]=2 ["结束"]=无穷成本 #父节点散列的表 父母={} 父母[a]=翱肌? 父母[b]=翱肌? 父母(“结束”)=没有 #已经处理过的节点,需要记录 处理=[] #找到开销最小的节点 def find_lowest_cost_node(成本): #初始化数据 lowest_cost=无穷大 lowest_cost_node=没有 #遍历所有节点 节点的成本: #该节点没有被处理 如果不是在处理节点: #如果当前节点的开销比已经存在的开销小,则更新该节点为开销最小的节点 如果成本(节点)& lt;lowest_cost: lowest_cost=成本(节点) lowest_cost_node=节点 返回lowest_cost_node #找到最短路径 def find_shortest_path (): 节点="结束" shortest_path=(“结束”) 虽然父母(节点)!=翱肌? shortest_path.append(父母(节点)) 节点=父母(节点) shortest_path.append(“开始”) 返回shortest_path #寻找加权的最短路径 def dijkstra算法(): #查询到目前开销最小的节点 节点=find_lowest_cost_node(成本) #只要有开销最小的节点就循环(这个而循环在所有节点都被处理过后结束) 虽然节点不是没有: #获取该节点当前开销 成本=成本(节点) #获取该节点相邻的节点 邻居=图(节点) #遍历当前节点的所有邻居 在neighbors.keys n (): #计算经过当前节点到达相邻结点的开销,即当前节点的开销加上当前节点到相邻节点的开销 new_cost=成本+邻居[n] #如果经当前节点前往该邻居更近,就更新该邻居的开销 如果new_cost & lt;成本[n]: [n]=new_cost成本 同号时将该邻居的父节点设置为当前节点 父母[n]=节点 #将当前节点标记为处理过 processed.append(节点) #找出接下来要处理的节点,并循环 节点=find_lowest_cost_node(成本) #循环完毕说明所有节点都已经处理完毕 shortest_path=find_shortest_path () shortest_path.reverse () 打印(shortest_path) #测试 迪杰斯特拉()