博客
关于我
Dijikstra与Floyd两种最短路径算法的解析与Golang代码实现
阅读量:124 次
发布时间:2019-02-27

本文共 2655 字,大约阅读时间需要 8 分钟。

Dijkstra算法理论与实现

Dijkstra算法理论

在带权图中,从一个单源节点到其他节点寻找最短路径,是典型的单源最短路径问题。Dijkstra算法由荷兰计算机科学家狄克斯特拉于1959年提出,适用于有向图的最短路径计算。

基本思想

  • 初始化:指定起点s,初始化两个集合S和U。S记录已求出最短路径的顶点,U记录尚未求出的顶点及其到起点s的距离。
  • 迭代过程
    • 从U中选择距离s最短的顶点k,加入S。
    • 更新U中所有顶点到s的距离,基于k的最短路径。
    • 重复上述步骤直至所有顶点都被计算。
  • 操作步骤

  • 初始时,S包含起点s,U包含其他所有顶点,初始距离为∞。
  • 每次从U中选出距离s最短的顶点k,加入S。
  • 更新所有顶点到s的最短距离,基于k的路径。
  • 重复步骤2-4,直到S包含所有顶点。
  • Dijkstra算法Golang实现

    func Dijkstra(D [LEN][LEN]int, v int) {    if v < 0 || v >= LEN {        fmt.Println("错误节点输入!")        return    }        // 初始化距离矩阵    for i := 0; i < LEN; i++ {        for j := 0; j < LEN; j++ {            if D[i][j] == -1 {                D[i][j] = 9999999            }        }    }        // 初始化S和U    var S []int    S = append(S, v)        for i := 0; i < LEN; i++ {        if !contains(S, i) && D[i][v] == 9999999 {            min = D[i][v]            index = i            break        }    }        if min == 9999999 {        fmt.Printf("最小值min=%d\n", min)        return    }        S = append(S, index)        for i := 0; i < LEN; i++ {        for j := 0; j < LEN; j++ {            if i == j || v == j {                continue            }            if D[i][j] > D[i][index] + D[index][j] {                D[i][j] = D[i][index] + D[index][j]                Path[i][j] = index            }        }    }        // 重复上述过程直到S包含所有顶点}

    Floyd算法理论

    Floyd算法(插点法)用于多源最短路径计算,通过三重循环更新所有点对的最短路径。其核心思想是通过松弛操作,逐步优化路径距离。

    核心思想

  • 初始化:使用邻接矩阵D,初始时D[i][j]为原始权值。
  • 三重循环
    • 选择每个点i作为中间过渡点。
    • 遍历所有点对(i,j),判断是否通过i的路径更短。
    • 如果更短,更新D[i][j]和路径信息。
  • 优缺点

    优点:代码简单,计算任意两点间最短路径。缺点:时间复杂度较高,不适合大规模数据。

    Floyd算法Golang实现

    func Floyd(D [LEN][LEN]int) {    // 初始化路径矩阵    var Path [LEN][LEN]int    for i := 0; i < LEN; i++ {        for j := 0; j < LEN; j++ {            Path[i][j] = -1        }    }        for i := 0; i < LEN; i++ {        for j := 0; j < LEN; j++ {            if D[i][j] == -1 {                D[i][j] = 9999999            }        }    }        for v := 0; v < LEN; v++ {        for i := 0; i < LEN; i++ {            for j := 0; j < LEN; j++ {                if i == j || v == i || v == j {                    continue                }                if D[i][j] > D[i][v] + D[v][j] {                    D[i][j] = D[i][v] + D[v][j]                    Path[i][j] = v                }            }        }    }        // 输出结果    for i := 0; i < LEN; i++ {        for j := 0; j < LEN; j++ {            if D[i][j] == 9999999 {                D[i][j] = -1            }        }    }        for i := 0; i < LEN; i++ {        for j := 0; j < LEN; j++ {            fmt.Printf("点%d到点%d的最短距离为%d\n", i, j, D[i][j])        }    }}

    总结

    两种算法均基于贪心思想,Dijkstra单源最短路径,Floyd多源最短路径。Dijkstra每次计算单个源点最短路径,Floyd一次性计算所有点对。两者时间复杂度均为O(N^3),适用于小规模数据。

    转载地址:http://swob.baihongyu.com/

    你可能感兴趣的文章
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV_ cv2.imshow()
    查看>>
    opencv——图像缩放1(resize)
    查看>>
    Opencv——模块介绍
    查看>>
    OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
    查看>>
    OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !
    查看>>
    OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
    查看>>
    OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | YOLOv8重磅升级,新增旋转目标检测,又该学习了!
    查看>>
    OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
    查看>>
    OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
    查看>>
    OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
    查看>>