一、简介
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
二、步骤
(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。
三、图解
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)：
然后从“起点”开始，根据图中的信息更新一下表，由于从“起点”不能直接到达“终点”节点，所以耗时为∞(无穷大)：
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：
第二步：更新该节点的邻居的开销，根据图从b出发可以到达a和“终点”节点，b目前的消耗2+b到a的消耗3=5，5小于原来a的消耗6，所以更新节点a相关的行：
同理，b目前消耗2+b到end的消耗5=7，小于∞，更新“终点”节点行：
b节点关联的节点已经更新完成，所以b节点不在后面的更新范围之内了：
找到下一个消耗最小的节点，那就是a节点：
根据a节点的消耗更新关联节点，只有end节点行被更新了：
这时候a节点也不在更新节点范围之内了：
最终表的数据如下：
根据最终表，从“起点”到“终点”的最少消耗是6，路径是起点->b->a->终点.
四、代码实现
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
|
# -*-coding: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
graph = {}
graph["start"] = {}
graph["start"]["a"] = 6
graph["start"]["b"] = 2
graph["a"] = {}
graph["a"]["end"] = 1
graph["b"] = {}
graph["b"]["a"] = 3
graph["b"]["end"] = 5
graph["end"] = {}
# 无穷大
infinity = float("inf")
costs = {}
costs["a"] = 6
costs["b"] = 2
costs["end"] = infinity
# 父节点散列表
parents = {}
parents["a"] = "start"
parents["b"] = "start"
parents["end"] = none
# 已经处理过的节点，需要记录
processed = []
# 找到开销最小的节点
def find_lowest_cost_node(costs):
# 初始化数据
lowest_cost = infinity
lowest_cost_node = none
# 遍历所有节点
for node in costs:
# 该节点没有被处理
if not node in processed:
# 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
if costs[node] < lowest_cost:
lowest_cost = costs[node]
lowest_cost_node = node
return lowest_cost_node
# 找到最短路径
def find_shortest_path():
node = "end"
shortest_path = ["end"]
while parents[node] != "start":
shortest_path.append(parents[node])
node = parents[node]
shortest_path.append("start")
return shortest_path
# 寻找加权的最短路径
def dijkstra():
# 查询到目前开销最小的节点
node = find_lowest_cost_node(costs)
# 只要有开销最小的节点就循环（这个while循环在所有节点都被处理过后结束）
while node is not none:
# 获取该节点当前开销
cost = costs[node]
# 获取该节点相邻的节点
neighbors = graph[node]
# 遍历当前节点的所有邻居
for n in neighbors.keys():
# 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 = cost + neighbors[n]
# 如果经当前节点前往该邻居更近，就更新该邻居的开销
if new_cost < costs[n]:
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，并循环
node = find_lowest_cost_node(costs)
# 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()
print(shortest_path)
# 测试
dijkstra()
|
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/weixin_39433783/article/details/82954269