《算法图解》第七章笔记_迪杰斯特拉算法

软件环境:Python 3.7.0b4

一、迪杰斯特拉(dijkstras)算法介绍

算法目标:找出一个图中最快(耗时最短)的路径。

实现步骤:

  1. 找出最短时间内前往的节点;
  2. 对于该节点的邻居,检查是否有前往它们的更短路径,如果有,就更新其开销;
  3. 重复这个过程,直到对图中的每个节点都重复了以上两个步骤;
  4. 计算最终路径。

二、迪杰斯特拉算法术语介绍

迪杰斯特拉算法用于每条边都有关联数字的图,这些数字称为权重(weight)。

带权重的图称为加权图(weighted graph),不带权重的图称为非加权图(unweighted graph)

要计算非加权图中的最短路径,可使用广度优先搜索。要计算加权图中的最短路径,可使用狄克斯特拉算法。

三、算法实现

以下图为例

要解决这个问题,需要先画出三个散列表:

随着算法的进行,我们将不断更新散列表costs和parents。

graph = {}  #首先需要实现这个图

需要同时存储邻居和前往邻居的开销

graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2

同时还需要用一个散列表来存储每个节点的开销,一个存储父节点的散列表,一个数组。

下面来看看算法的执行过程:

完整代码如下(Python)

# 添加节点和邻居
graph = {}
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2

graph["a"] = {}
graph["a"]["fin"] = 1

graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["fin"] = 5

graph["fin"] = {}  # 终点没有邻居

# 存储每个节点开销的散列表
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["fin"] = infinity

# 存储父节点的散列表
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["fin"] = None

processed = []  # 一个数组,用于记录处理过的节点。因为对于同一个节点,不用处理多次。

def find_lowest_cost_node(costs):
    lowest_cost = float("inf")
    lowest_cost_node = None
    # 遍历所有的节点
    for node in costs:
        cost = costs[node]
        # 如果当前节点的开销更低且未处理过
        if cost < lowest_cost and node not in processed:
            # 就将其视为开销最低的节点
            lowest_cost = cost
            lowest_cost_node = node
    return lowest_cost_node

# 在未处理的节点中找出开销最小的节点
node = find_lowest_cost_node(costs)
# 这个while循环在所有节点都被处理过后结束
while node is not None:
    cost = costs[node]
    # 遍历当前节点的所有邻居
    neighbors = graph[node]
    for n in neighbors.keys():
        new_cost = cost + neighbors[n]
        # 如果经当前节点前往该邻居更近
        if costs[n] > new_cost:
            # 就更新该邻居的开销
            costs[n] = new_cost
            # 同时将该邻居的父节点设置为当前节点
            parents[n] = node
    # 将当前节点标记为处理过
    processed.append(node)
    # 找出接下来要处理的节点,并做循环
    node = find_lowest_cost_node(costs)

print ("Cost from the start to each node:")
print (costs)

四、小结

  • 广度有限搜索用于在非加权图中查找最短路径。
  • 迪杰斯特拉算法用于在加权图中查找最短路径。
  • 仅当权重为正时迪杰斯特拉算法才管用。
  • 如果图中包含负权边,考虑使用贝尔曼-福德(Bellman-Ford)算法。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏pydata

html5新特性

1.新的文档类型 2.脚本和链接无需type 3.语义Header和Footer 4.Hgroup 5.标记元素 6.图形元素 7.重新定义 8....

693
来自专栏绿巨人专栏

机器学习实战 - 读书笔记(04) - 朴素贝叶斯

2817
来自专栏贾志刚-OpenCV学堂

手撕OpenCV源码之高斯模糊

从上述代码的大致分析中可以知道,OpenCV的GaussianBlur本质上依然是filter2D,只是针对一些特殊情况进行了GPU和CPU版本的优化,如果输入...

1762
来自专栏Soul Joy Hub

TensorFlow指南(一)——上手TensorFlow

http://blog.csdn.net/u011239443/article/details/79066094 TensorFlow是谷歌开源的深度学习库...

4485
来自专栏机器学习算法原理与实践

用PMML实现机器学习模型的跨平台上线

    在机器学习用于产品的时候,我们经常会遇到跨平台的问题。比如我们用Python基于一系列的机器学习库训练了一个模型,但是有时候其他的产品和项目想把这个模型...

2755
来自专栏hotqin888的专栏

golang随机抽奖代码

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/hotqin888/article/det...

1822
来自专栏Small Code

【TensorFlow】理解 Estimators 和 Datasets

Google 在 2017 年 9 月 12 号的博文 Introduction to TensorFlow Datasets and Estimators 中...

9688
来自专栏10km的专栏

faster rcnn demo.py:在一个窗口显示所有类别标注

faster rcnn 的demo.py运行时,对于同一个图像,每个类别显示一个窗口,看起来不太方便,顺便小改一下,让一幅图像中检测到的所有类别物体都在一个窗口...

3449
来自专栏Y大宽

RNA-seq(8): 探索分析结果:Data visulization

这部分主要做一些数据可视化,富集分析暂时放下一部分,如果想跳过这里,请直接移步RNA-seq(9):富集分析

1652
来自专栏有趣的Python

14- 深度学习之神经网络核心原理与算法-TensorBoard使用

1574

扫码关注云+社区