Dijkstra算法详细介绍及Python实现方法
作者：不去幼儿园
1. Dijkstra算法介绍
Dijkstra算法，全称迪杰斯特拉算法，是由荷兰计算机科学家艾兹赫尔·戴克斯特拉（Edsger W. Dijkstra）在1956年提出的，是一种用于解决图中的最短路径问题的算法。这种算法适用于带权重的图，其中每条边有一个非负的权重值。
这篇论文发表于1959年的《Numerische Mathematik》期刊第1期，第269-271页，《A Note on Two Problems in Connexion with Graphs》。在这篇论文中，他不仅描述了这个算法，还提供了第一次正式的最短路径问题算法理论证明。这篇论文的题目虽然翻译成中文是《关于与图相关的两个问题的说明》，但它在算法史上有着非常重要的地位，因为其中描述的Dijkstra算法成为了解决图中最短路径问题的基石。
2.文献阅读
《A Note on Two Problems in Connexion with Graphs》的核心内容主要针对两个问题：
问题1：构造n个节点间总长度最小的树（最小生成树）
基本思路：将边分为3个集合（确定属于生成树的边的集合I、待选边集合II、剩余边集合III），将节点分为2个集合（已连接集合A、剩余节点集合B）。初始时，任选一节点作为集合A的唯一成员，所有以此节点为终点的边放入集合II，集合I为空。
构造步骤：
步骤1：从集合II中选出最短的边，将其移出集合II并加入集合I，同时将对应的节点从集合B转移到集合A。
步骤2：考虑刚转移到集合A的节点与集合B中节点相连的边，若边长比集合II中对应边长则被舍弃，若更短则替换集合II中的对应边并舍弃后者。然后返回步骤1重复此过程，直到集合II和III均为空，此时集合I中的边即构成所需的最小生成树。
优势：相较于J.B. KRUSKAL、H. LOBERMAN和A. WEINBERGER的方法，该方法无需预先所有对边按长度排序，且只需同时存储最多n条边的数据（集合I和II中的边以及步骤2中考虑的边），而其他方法即使边的长度是节点坐标的可计算函数，也需要同时存储所有边的数据。
问题2：寻找给定两点P和Q间总长度最小的路径
基本思路：利用若R是P到Q的最小路径上的节点，则知道P到Q的最小路径也就知道P到R的最小路径这一事实。在解决方案中，按路径长度递增的顺序构造P到其他节点的最小路径，直到到达Q。
具体步骤：
初始状态：所有节点在集合C，所有边在集合III。将节点P转移到集合A，然后反复执行以下步骤。
步骤1：考虑连接刚转移到集合A的节点与集合B或C中的节点R的所有边r。若R属于集合B，判断使用边r是否能获得比已知路径更短的P到R的路径，若不能则边r被舍弃，若能则替换集合II中的对应边并舍弃后者；若R属于集合C，则将R加入集合B并将边r加入集合II。
步骤2：集合B中的每个节点通过集合I中的一条边和集合II中的一条边与节点P相连，每个节点B都有一个到P的距离。将集合B中到P距离最小的节点转移到集合A，对应的边从集合II转移到集合I。然后返回步骤1重复此过程，直到节点Q被转移到集合A，此时即找到解决方案。
优势：与L. R. FORD的方法相比，无论边的数量如何，该方法无需同时存储所有边的数据，只需存储集合I和II中的边，且这个数量总是小于n，同时所需的工作量也明显更少。
总结
该论文主要介绍了两种解决图论问题的方法，分别针对构造最小生成树和寻找两点间最短路径。这两种方法在数据存储和计算工作量方面相较于其他方法具有优势，能够更高效地解决相应的问题。
《A Note on Two Problems in Connexion with Graphs》中没有直接提及“Dijkstra算法”这个名称。但其中提出的解决最短路径问题的方法后来被广泛称为Dijkstra算法。文件中针对最短路径问题所描述的解决方法，其核心思路与Dijkstra算法完全一致，即通过维护节点集合和边集合的特定方式，逐步确定从起点到其他节点的最短路径。
2.Dijkstra算法原理
想象一下，你在一座迷宫里，你想要从起点A到达终点B并找到最短的路径，那么你可以使用Dijkstra算法。这个算法会帮助你计算出从起点到所有其他点的最短距离，并且最终告诉你到达终点B的最短路径是什么。
核心思想：
- 初始化：从一个顶点开始（我们称之为源点），将源点到自身的距离设为0，而到其他顶点的距离设为无穷大。
- 选择最近顶点：在所有未被访问过的顶点中，选择距离源点最近的一个顶点（称之为当前顶点）。
- 更新距离：检查通过当前顶点可以到达的所有其他未被访问过的顶点，如果通过当前顶点到达这些顶点的距离比之前已知的更短，就更新这些顶点的距离。
- 标记已访问：将当前顶点标记为已访问，并从待访问顶点集合中移除。
- 重复以上步骤：重复步骤2到4，直到所有的顶点都被访问过或者目标顶点被访问。
示例：
假设我们有如下的图中的四个节点和它们之间的边及其权重：
A---(2)---B | | (3) (1) | | ----------------C
我们要计算从A到C的最短路径。
初始化：
- A = 0, B = ∞, C = ∞
选择最近的未访问顶点B（因为它离A最近，距离为2）。
更新C的距离（因为B到C的距离是1，所以A到C的新距离是A到B的距离加上B到C的距离，即2+1=3）：
- A = 0, B = 2, C = 3
现在，B和C都是最近未访问过的顶点，我们选择B作为下一个当前顶点（因为它先被检查到）。
更新顶点后，没有更短的路径可以到达C了，我们将B标记为已访问。
现在C是唯一的未访问顶点，我们选择它作为当前顶点。
最终结果是A到C的最短路径是3。
推理公式：
Dijkstra算法没有一个单一的公式，但是可以用伪代码来说明它的逻辑：
function Dijkstra(Graph, source):
dist[source] ← 0; // 初始化距离表
for each vertex v in Graph:
if v ≠ source
dist[v] ← ∞;
prev[v] ← undefined; // 前驱节点，用于记录最短路径
Q ← all vertices in Graph; // 所有顶点的集合
while Q is not empty:
u ← vertex in Q with min dist[u];
remove u from Q;
for each neighbor v of u: // 遍历u的所有邻居v
alt ← dist[u] + length(u, v);
if alt < dist[v]:
dist[v] ← alt;
prev[v] ← u;
return dist[];
这段伪代码描述了Dijkstra算法的基本流程，其中dist[]存储从源点到各个点的距离，prev[]用来存储最短路径树，以便最后能回溯出最短路径。
[Python] Dijkstra算法实现
下面给出一个简单的Python实现Dijkstra算法的程序，以及一个示例图和运行结果。这个程序会计算从源点到图中所有其他节点的最短路径，并输出最短距离和路径。
"""《Dijkstra算法程序》
时间：2025.03.06
作者：不去幼儿园
"""
import heapq
def dijkstra(graph, start):
-distances = {vertex: float('infinity') for vertex in graph}
distances[start] = 0
-previous_nodes = {vertex: None for vertex in graph}
-unvisited_queue = [(0, start)]
while unvisited_queue:
current_distance, current_vertex = heapq.heappop(unvisited_queue)
if current_distance > distances[current_vertex]:
continue
for neighbor, weight in graph[current_vertex].items():
distance = current_distance + weight
if distance < distances[neighbor]:
distances[neighbor] = distance
previous_nodes[neighbor] = current_vertex
heapq.heappush(unvisited_queue, (distance, neighbor))
return distances, previous_nodes
# Example graph represented as an adjacency list
graph = {
'A': {'B': 2, 'C': 3},
'B': {'A': 2, 'C': 1, 'D': 4},
'C': {'A': 3, 'B': 1, 'D': 5},
'D': {'B': 4, 'C': 5}
}
start_vertex = 'A'
distances, previous_nodes = dijkstra(graph, start_vertex)
# Function to print the shortest path from start_vertex to end_vertex
def print_shortest_path(previous_nodes, start_vertex, end_vertex):
path = []
current_vertex = end_vertex
while current_vertex is not None and current_vertex != start_vertex:
path.insert(0, current_vertex)
current_vertex = previous_nodes[current_vertex]
if current_vertex is None:
return "Path does not exist"
else:
path.insert(0, start_vertex)
return path
# Output the results
print("Vertex\tDistance\tPath")
for vertex in graph:
if vertex != start_vertex:
dist = distances[vertex]
path = print_shortest_path(previous_nodes, start_vertex, vertex)
print(f"{vertex}\t{dist}\t\t{path}")
[Results] 运行结果
上述代码中的例子图，它展示了10个节点之间的连接关系和权重。图形由顶点（A到J）和它们之间的边与权重组成：
A
/|\
B C D
/ | \
E F |
\ | /
G H
\ /
I
|
J
每个节点与其直接相连的节点都有特定的权重。下面是这些连接关系和对应的权重：
- A 到 B: 2
- A 到 C: 3
- A 到 D: 1
- B 到 C: 1
- B 到 D: 4
- B 到 E: 5
- C 到 D: 1
- C 到 E: 6
- D 到 E: 2
- E 到 F: 7
- E 到 G: 9
- F 到 G: 8
- F 到 H: 5
- G 到 H: 3
- G 到 I: 6
- H 到 I: 7
- I 到 J: 2
Vertex Distance Path B 2 ->A->B C 3 ->A->C D 1 ->A->D E 3 ->A->D->E F 6 ->A->D->E->F G 10 ->A->D->E->G H 8 ->A->D->E->F->H I 11 ->A->D->E->F->H->I J 13 ->A->D->E->F->H->I->J
3. Dijkstra算法的应用场景
路径规划：Dijkstra算法常常被用于道路网络中的最短路径查找，它可以帮助导航系统提供从起点到目的地的最佳路线。
网络路由选择：在互联网中，路由器可以使用Dijkstra算法来选择数据传输的最佳路径。
社交网络分析：分析人与人之间、组织之间的最短联系路径。
运输和物流领域：寻找货物从一个地点到另一个地点成本最低的运输路径。
电路设计：在集成电路布局中，Dijkstra算法可以用于寻找最小延迟路径。
游戏设计：游戏中的NPC（非玩家角色）导航和寻路系统可能使用Dijkstra算法确定行动路径。
电信网络：在电话网络和其他电信网络中定位呼叫的最佳路径。
4.Dijkstra算法优缺点
Dijkstra算法的优点：
准确性：Dijkstra算法总是能找到单源最短路径的精确解，特别是当所有边的权重都是非负数时。
灵活性：在算法的执行过程中如果找到从源点到目标点的最短路径，算法会立即停止处理该目标点，这意味着你可以在任何时候中断算法来查询最短路径。
适用于稠密图：对于边的数量接近于顶点数量平方的稠密图，Dijkstra算法表现良好。
简单性：算法的逻辑相对简单，容易理解和实现。
可以优先处理：通过优先队列的使用，Dijkstra算法可以快速访问当前最短路径的节点。
Dijkstra算法的缺点：
效率问题：使用标准数组存储距离信息时，时间复杂度为
，其中V是顶点的数量。虽然通过使用斐波那契堆等优化措施可以将时间复杂度降低到
，但在最坏的情况下它仍然是效率较低的算法之一。不适合负权重边：Dijkstra算法不能用于包含负权边的图中，否则可能无法找到正确的最短路径。
内存消耗较大：需要存储所有顶点的距离信息和已访问状态，内存使用随着顶点数增加而增长。
对大规模图不友好：当图变得非常大时，算法将消耗较长的时间计算最短路径。
，其中V是顶点的数量。虽然通过使用斐波那契堆等优化措施可以将时间复杂度降低到
，但在最坏的情况下它仍然是效率较低的算法之一。总结
到此这篇关于Dijkstra算法详细介绍及Python实现方法的文章就介绍到这了,更多相关Python Dijkstra算法实现内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！