Python實現(xiàn)迪杰斯特拉算法過程解析
一、 迪杰斯特拉算法思想
Dijkstra算法主要針對的是有向圖的單元最短路徑問題,且不能出現(xiàn)權(quán)值為負的情況!Dijkstra算法類似于貪心算法,其應(yīng)用根本在于最短路徑的最優(yōu)子結(jié)構(gòu)性質(zhì)。
最短路徑的最優(yōu)子結(jié)構(gòu)性質(zhì):
如果P(i,j)={Vi…Vk…Vs…Vj}是從頂點i到j(luò)的最短路徑,k和s是這條路徑上的一個中間頂點,那么P(k,s)必定是從k到s的最短路徑。
證明:
假設(shè)P(i,j)={Vi…Vk…Vs…Vj}是從頂點i到j(luò)的最短路徑,則有P(i,j)=P(i,k)+P(k,s)+P(s,j)。而P(k,s)不是從k到s的最短距離,那么必定存在另一條從k到s的最短路徑P(k,s),那么P(i,j)=P(i,k)+P(k,s)+P(s,j)<P(i,j)。則與P(i,j)是從i到j(luò)的最短路徑相矛盾。因此該性質(zhì)得證。
因此,Dijkstra算法描述如下:
Dijikstra算法描述如下:
假設(shè)存在G=<V,E>,源頂點為V0,S={V0},distance[i]記錄V0到i的最短距離,matrix[i][j]記錄從i到j(luò)的邊的權(quán)值,即兩點之間的距離。
1)從V-S中選擇使dist[i]值最小的頂點i,將i加入到U中;
2)更新與i直接相鄰頂點的dist值。dist[j]=min{dist[j],dist[i]+matrix[i][j]}
3)直到S=V,所有頂點都包含進來了,算法停止。
二、 具體操作步驟
根據(jù)其算法思想,確立操作步驟如下:
(1) 初始時,S只包含起點s;U包含除s外的其他頂點,且U中頂點的距離為"起點s到該頂點的距離"[例如,U中頂點v的距離為(s,v)的長度,然后s和v不相鄰,則v的距離為∞]。
(2) 從U中選出"距離最短的頂點k",并將頂點k加入到S中;同時,從U中移除頂點k。
(3) 更新U中各個頂點到起點s的距離。之所以更新U中頂點的距離,是由于上一步中確定了k是求出最短路徑的頂點,從而可以利用k來更新其它頂點的距離;例如,(s,v)的距離可能大于(s,k)+(k,v)的距離。
(4) 重復步驟(2)和(3),直到遍歷完所有頂點。
三、代碼
def dijkstra(s, used, cost, distance, n):
distance[s] = 0
while True:
# v在這里相當于是一個哨兵,對包含起點s做統(tǒng)一處理!
v = -1
# 從未使用過的頂點中選擇一個距離最小的頂點
for u in range(n):
if not used[u] and (v == -1 or distance[u] < distance[v]):
v = u
if v == -1:
# 說明所有頂點都維護到S中了!
break
# 將選定的頂點加入到S中, 同時進行距離更新
used[v] = True
# 更新U中各個頂點到起點s的距離。之所以更新U中頂點的距離,是由于上一步中確定了k是求出最短路徑的頂點,從而可以利用k來更新其它頂點的距離;例如,(s,v)的距離可能大于(s,k)+(k,v)的距離。
for u in range(n):
distance[u] = min(distance[u], distance[v] + cost[v][u])
return distance
n, m, T = map(int, input().split())
# 標記數(shù)組:used[v]值為False說明改頂點還沒有訪問過,在S中,否則在U中!
used = [False for _ in range(n)]
# 距離數(shù)組:distance[i]表示從源點s到i的最短距離,distance[s]=0
distance = [float('inf') for _ in range(n)]
# cost[u][v]表示邊e=(u,v)的權(quán)值,不存在時設(shè)為INF
cost = [[float('inf') for _ in range(n)] for _ in range(n)]
for _ in range(m):
e = list(map(int, input().split()))
cost[e[0] - 1][e[1] - 1] = e[2]
dis1 = dijkstra(0, used[:], cost, distance[:], n)
d1 = dis1[-1]
dis2 = dijkstra(n-1, used[:], cost, distance[:], n)
d2 = dis2[0]
print((d1+d2)*T)
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
- python里反向傳播算法詳解
- python動態(tài)規(guī)劃算法實例詳解
- python搜索算法原理及實例講解
- python歸并排序算法過程實例講解
- 詳解python算法常用技巧與內(nèi)置庫
- 工程師必須了解的LRU緩存淘汰算法以及python實現(xiàn)過程
- python實現(xiàn)AdaBoost算法的示例
- python 實現(xiàn)關(guān)聯(lián)規(guī)則算法Apriori的示例
- python 實現(xiàn)樸素貝葉斯算法的示例
- python實現(xiàn)暗通道去霧算法的示例
- python實現(xiàn)sm2和sm4國密(國家商用密碼)算法的示例
- 詳解python 支持向量機(SVM)算法
- Python實現(xiàn)迪杰斯特拉算法并生成最短路徑的示例代碼
相關(guān)文章
python程序中的線程操作 concurrent模塊使用詳解
這篇文章主要介紹了python程序中的線程操作 concurrent模塊使用詳解,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2019-09-09
Python+flask實現(xiàn)restful接口的示例詳解
這篇文章主要為大家詳細介紹了Python如何利用flask實現(xiàn)restful接口,文中的示例代碼講解詳細,具有一定的借鑒價值,需要的可以參考一下2023-02-02
Python入門教程(十九)python的函數(shù)詳解
這篇文章主要介紹了Python入門教程(十九)python的函數(shù),函數(shù)是組織好的,可重復使用的,用來實現(xiàn)單一,或相關(guān)聯(lián)功能的代碼段,需要的朋友可以參考下2023-04-04
python如何實現(xiàn)convolution neural network卷積神經(jīng)網(wǎng)絡(luò)算法
卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學習中重要的算法之一,主要應(yīng)用于圖像識別和處理領(lǐng)域,其基本原理是模擬人類視覺系統(tǒng),通過卷積層、激活函數(shù)和池化層等組件提取圖像的特征,并通過全連接層進行分類或其他任務(wù),CNN訓練過程中使用大量標記圖像數(shù)據(jù)2024-10-10

