算法3——图、短路、最小生成树.pptVIP

复杂度 与Dijkstra算法的代码1类似，复杂度为O(V ^ 2)，也可以用堆来维护mincost，类似Dijkstra算法的代码2，这样可以将复杂度改进到O(E * logV) Kruskal算法 算法思想：按照边的权值从小到大的顺序扫描一遍，如果不产生圈，就把当前这边加入到生成树中。 终点：如何判断是否会产生圈？ 并查集 代码实现 复杂度 排序最耗时，复杂度为O(ElogE) 课后作业 POJ No.3723 自己实现可以得到最短路径的最短路算法 课后作业提示 POJ No.3723 花的钱最少，等价于省的钱最多 构建一个图，每条边的权值等于通过这个关系招募能省的钱的负数，然后计算最小生成树，这样得到的就是最多能省下的钱的负数 然后通过一个简单的加减法运算即可得到结果 “ ” “ ” 算法3 讲师：刘少凡 目录 图 最短路算法 最小生成树 图 图由顶点(vertex,node)和边(edge)组成。顶点集合是V，边的集合是E的图记做G=(V,E)，连接两点u和v的边用e=(u,v)表示 边有指向性的图为有向图 边无指向性的图为无向图 图的表示方法 邻接矩阵与邻接表 选择哪一种方法？ 邻接矩阵优点：便于查找两顶点是否相连，程序编写简单 缺点：浪费大量空间 邻接表优点：节省空间 缺点：查询两顶点是否相连需要遍历，程序编写较困难 视情况而定 目录 图 最短路算法 最小生成树 最短路问题 一般为给定两个顶点，以这两个顶点为起点和终点的路径中，求边的权值和最小的那条路径（或者只需要求最短距离）。 单源最短路径问题 固定一个起点，求它到其他所有点的最短路的问题。 算法1：Bellman-Ford算法 算法2：Dijkstra算法 Bellman-Ford算法 代码实现 示例 假设A为源点 初始d = {0, INF, INF, INF, INF, INF, INF} 第一轮遍历结束 d = { 0, 2, 5, INF, INF, INF, INF} 第二轮遍历结束 d = { 0, 2, 5, 7, 12, INF, INF} 第三轮遍历结束 d = { 0, 2, 5, 7, 12, 8, 17} 第四轮遍历结束 d = { 0, 2, 5, 7, 11, 8, 16} 注：真实算法计算情况会因边的遍历顺序不同而不同 复杂度 每轮更新至少都能确定到某一个点的最短路径，所以最多会更新V-1轮，每轮都会遍历E条边，所以复杂度为O(V * E) 另外，如果图中有负圈，第V轮更新依然会更新d的值，可以利用这个性质来检查图中是否有负圈 Dijkstra算法 算法思想：找到最短距离已经确定的顶点，从它出发更新相邻顶点的最短距离，从此后不再关心该最短距离已经确定的点（需要图中不存在负边） 如何寻找最短距离已经确定的顶点？ 最开始时，只有源点的最短距离是确定的。在之后，尚未使用过的顶点中，距离d[i]最小的顶点就是最短距离已经确定的顶点 代码实现 复杂度 While循环每次会使用一个点作为v，直到所有点都用过，会循环V次 内层循环会循环V次 复杂度为 O(V * V) Bellman-Ford算法复杂度为O(V * E) 当V E时，可以选择dijkstra算法 但是一般情况下，边的数量会大于顶点的数量，那么dijkstra算法还有什么存在的必要呢？ 代码实现2 代码实现2 复杂度 外层while循环里面执行的主体代码（最耗时）是上图所示的for循环，而每个for循环就是对于某个顶点出发的所有边都进行一次更新操作，while循环的目的是所有顶点进行一次for循环操作。for循环内的操作相当于被执行了E次，每次更新操作复杂度为O(logV)，所以总复杂度为O(E * logV) Bellman-Ford算法复杂度为O(V * E) 第二份代码实现的dijkstra算法更快 那么第二份代码与第一份代码的区别是什么？ 采用了堆（优先队列）的数据结构，优化了取出最小值和距离更新操作 优选数据结构很重要 总结 对于不存在负边的图，可以使用Dijkstra算法解决单源最短路径问题 对于不存在负圈的图，可以使用Bellman-Ford算法解决单源最短路径问题 对于存在负圈的图？不存在最短路径，因为每绕负圈一周都可以使路径减小 任意两点间的最短路问题 前面介绍的Bellman-Ford算法和Dijkstra算法都是解决的单源最短路径问题，那么如何求任意两点间的最短路径呢？ 方法1：将每个点作为源点，分别用Bellman-Ford算法或Dijkstra算法进行计算，复杂度O(E * V^2)或O(E * V * logV) 方法2：Floyd-Warshall算法 Floyd-Warshall算法 算法思想：DP d[i][j]