dijkstra(堆优化版)
朴素版的dijkstra解法的时间复杂度为 O(n^2),时间复杂度只和 n(节点数量)有关系。如果n很大的话,可以从边的角度来考虑。因为是稀疏图,从边的角度考虑的话,我们在堆优化算法中最好使用邻接表来存储图,这样不会造成空间的浪费。同时直接遍历边,通过堆(小顶堆)对边进行排序,选择距离源点最近的节点。
时间复杂度:O(ElogE) ,E 为边的数量- logE是小顶堆的时间复杂度
空间复杂度:O(N + E) ,N 为节点的数量,邻接表:O(n+e)、最短距离数组:O(n)、访问标记数组:O(n)、优先队列:O(n)
之前在求top K问题时应用过小顶堆,这里再复习一下。
小顶堆
小顶堆是一种特殊的完全二叉树,其中每个父节点的值都不大于其子节点的值。这种特性使得堆的根节点始终是堆中的最小值,非常适合用于实现优先队列等数据结构。
创建一个优先队列,并进行维护
PriorityQueue priorityQueue = new PriorityQueue<>();
问题应用:
- 求解 Top K 问题:小顶堆可以用于求解 Top K 问题,即从 N 个元素中找出最大的 K 个元素。通过维护一个大小为 K 的小顶堆(当小顶堆中已经有K个元素时,新加入的元素如果大于最小的顶端数据,则将其加入并丢掉顶端数据),可以高效地解决这个问题。
- 合并多个有序数组:通过将每个数组的首个元素放入堆中,每次取出最小值并将其所在数组的下一个元素加入堆中,可以高效地完成合并。
代码实现
import java.util.*;
//边的结构:节点和节点间的权重
class Edge{
int to,val;
Edge(int to,int val){
this.to=to;
this.val=val;
}
}
//距离对的结构:节点和节点到源点的距离
class Pair{
int first,second;
Pair(int first,int second){
this.first=first;
this.second=second;
}
}
//重写comparator类作为接口
class MyComparition implements Comparator<Pair>{
@Override
public int compare(Pair l,Pair r){
return Integer.compare(l.second,r.second);
}
}
public class Main{
public static void main (String[] args) {
Scanner scan=new Scanner(System.in);
int n=scan.nextInt();
int m=scan.nextInt();
List<List<Edge>> grid=new ArrayList<>(n+1);
for(int i=0;i<=n;i++){
grid.add(new ArrayList<>());
}
for(int i=0;i<m;i++){
int s=scan.nextInt();
int t=scan.nextInt();
int k=scan.nextInt();
grid.get(s).add(new Edge(t,k));
}
int[] minDist=new int[n+1];
Arrays.fill(minDist,Integer.MAX_VALUE);
boolean[] visited=new boolean[n+1];
//源点到源点的距离为0
minDist[1]=0;
PriorityQueue<Pair> pq=new PriorityQueue<>(new MyComparition());
pq.add(new Pair(1,0));
while(!pq.isEmpty()){
Pair cur=pq.poll();
if(visited[cur.first]) continue;
else visited[cur.first]=true;
for(Edge edge:grid.get(cur.first)){
if(!visited[edge.to] && minDist[cur.first]+edge.val<minDist[edge.to])
minDist[edge.to]=minDist[cur.first]+edge.val;
pq.add(new Pair(edge.to,minDist[edge.to]));
}
}
if(minDist[n]!=Integer.MAX_VALUE) System.out.println(minDist[n]);
else System.out.println(-1);
}
}
Bellman_ford 算法-94. 城市间货物运输 I
本题依然是单源最短路问题,求从节点1 到节点n 的最小费用。 但本题不同之处在于边的权值有负数。
Bellman_ford 算法
Bellman_ford算法的核心思想是 对所有边进行松弛n-1次操作(n为节点数量),从而求得目标最短路。
“松弛”-如果通过A到B这条边可以获得更短的到达B节点的路径,即如果 minDist[B] > minDist[A] + value,那么我们就更新 minDist[B] = minDist[A] + value。
Bellman_ford算法采用了动态规划的思想,即:将一个问题分解成多个决策阶段,通过状态之间的递归关系最后计算出全局最优解。
对所有边松弛一次,相当于计算起点到达与起点一条边相连的节点的最短距离。所以需要对所有边松弛n-1次才能得到起点到终点的最短距离。
(有一些题目可能不需要n-1次就能找到最短路径,但是n-1次能保证找到各类题目从原点到所有点的最短路径)
时间复杂度: O(N * E) , N为节点数量,E为图中边的数量
空间复杂度: O(N) ,即 minDist 数组所开辟的空间
和dijkstra算法的区别是,dijkstra算法是从源点开始累加最小路径进行推演的;Bellman_ford 算法则相当于不断的累加路径,如果新的路径小于原值就更新。
代码如下:
import java.util.*;
class Edge{
int from,to,val;
public Edge(int from,int to,int val){
this.from=from;
this.to=to;
this.val=val;
}
}
class Main{
public static void main (String[] args) {
Scanner scan=new Scanner(System.in);
int n=scan.nextInt();
int m=scan.nextInt();
List<Edge> edges=new ArrayList<>();
for(int i=0;i<m;i++){
int from=scan.nextInt();
int to=scan.nextInt();
int val=scan.nextInt();
edges.add(new Edge(from,to,val));
}
int[] minDist=new int[n+1];
Arrays.fill(minDist,Integer.MAX_VALUE);
minDist[1]=0;
//进行n-1次松弛
for(int i=1;i<n;i++){
for(Edge edge:edges){
if(minDist[edge.from]!=Integer.MAX_VALUE && minDist[edge.from]+edge.val<minDist[edge.to]){
minDist[edge.to]=minDist[edge.from]+edge.val;
}
}
}
if(minDist[n]==Integer.MAX_VALUE) System.out.println("unconnected");
else System.out.println(minDist[n]);
}
}