图的最短路径算法-java版
目录
最短路径
Floyd（弗洛伊德）算法
Floyd简介
Floyd算法思想
Floyd样例
Floyd复杂度
Dijkstra算法
Dijkstra简介
Dijkstra算法思想
Dijkstra样例
Dijkstra复杂度
java实现
图的基础代码
Floyd算法
dijkstra算法
测试
最短路径
所谓最短路径问题是指：如果从图中某一顶点（源点）到达另一顶点（终点）的路径可能不止一条，如何找到一条路径使得沿此路径上各边的权值总和（称为路径长度）达到最小。
Floyd（弗洛伊德）算法
Floyd简介
Floyd算法是一个经典的动态规划算法。是解决任意两点间的最短路径（计算后可以找到所有点之间的最短路径）(称为多源最短路径问题)的一种算法，可以正确处理有向图或负权的最短路径问题。（动态规划算法是通过拆分问题规模，并定义问题状态与状态的关系，使得问题能够以递推（分治）的方式去解决，最终合并各个拆分的小问题的解为整个问题的解。）
Floyd算法思想
从任意节点i到任意节点j的最短路径不外乎2种可能：1)直接从节点i到节点j，2)从节点i经过若干个节点k到节点j。
所以，我们假设arcs(i,j)为节点i到节点j的最短路径的距离，对于每一个节点k，我们检查arcs(i,k) + arcs(k,j) < arcs(i,j)是否成立
如果成立，证明从节点i到节点k再到节点j的路径比节点i直接到节点j的路径短，我们便设置arcs(i,j) = arcs(i,k) + arcs(k,j)，
这样一来，当我们遍历完所有节点k，arcs(i,j)中记录的便是节点i到节点j的最短路径的距离。
（由于动态规划算法在执行过程中，需要保存大量的临时状态（即小问题的解），因此它天生适用于用矩阵来作为其数据结构，因此在本算法中，我们将不使用Guava-Graph结构，而采用邻接矩阵来作为本例的数据结构）
Floyd样例
我们以一个4x4的邻接矩阵（二维数组arcs[ ][ ]）作为图的数据结构。比如1号节点到2号节点的路径的权值为2，则arcs[1][2] = 2，2号节点无法直接到达4号节点，则arcs[2][4] = ∞(Integer.MAX_VALUE)，则可构造如下矩阵：
根据以往的经验，如果要让任意两个顶点（假设从顶点a到顶点b）之间的距离变得更短，唯一的选择就是引入第三个顶点（顶点k），并通过顶点k中转（a -> k ->b）才可能缩短顶点a到顶点b之间的距离。
于是，现在的问题便分解为：求取某一个点k，使得经过中转节点k后，使得两点之间的距离可能变短，且还可能需要中转两个或者多个节点才能使两点之间的距离变短。
比如图中的4号节点到3号节点（4 -> 3）的距离原本是12（arcs[4][3] = 12），如果在只通过1号节点时中转时（4 -> 1 ->3），距离将缩短为11（arcs[4][1] + arcs[1][3] = 5 + 6 = 11）。
其实1号节点到3号节点也可以通过2号节点中转，使得1号到3号节点的路程缩短为5（arcs[1][2] + arcs[2][3] = 2 + 3 = 5），所以如果同时经过1号和2号两个节点中转的话，从4号节点到3号节点的距离会进一步缩短为10。
于是，延伸到一般问题：
1、当不经过任意第三节点时，其最短路径为初始路径，即上图中的邻接矩阵所示。
2、当只允许经过1号节点时，求两点之间的最短路径该如何求呢？只需判断arcs[i][1]+arcs[1][j]是否比arcs[i][j]要小即可。arcs[i][j]表示的是从i号顶点到j号顶点之间的距离，arcs[i][1] + arcs[1][j]表示的是从i号顶点先到1号顶点，再从1号顶点到j号顶点的路程之和。循环遍历一遍二维数组，便可以获取在仅仅经过1号节点时的最短距离。
代码更新了两点之间经过1号节点的最短距离arcs[i][j]，因此，数组中每两个节点之间对应距离都是最短的。由于此时arcs[i][j]的结果已经保存了中转1号节点的最短路径，此时如果继续并入2号节点为中转节点，则是任意两个节点都经过中转节点1号节点和2号节点的最短路径
因为运算完中转1号节点时，arcs[i][j]的结果已经更新为中转1号节点的最短路径了。更一般的，继续并入下一个中转节点一直到vexCount个时，arcs[i][j]的结果保存的就是整个图中两点之间的最短路径了。这就是Floyd算法的描述。
虽然此时已求得了节点的最短路径，但结果却不能明显的表达最终最短路径是中转了哪些节点，因此这里对应到动态规划算法中的强项——算法过程中可以完全记录所有的中间结果。
我们再定义一个二位数组path[][]，其大小规模对应arcs[][]，初始结果path[i][j] = j，表示节点i到节点j最后的中转节点是j。
在运算中是在判断arcs[i][k]+arcs[k][j]比arcs[i][j]要小时，我们进一步更新为：path[i][j] = path[i][k]，即当前最短路径的最后中转节点是path[i][k]对应的节点（如果只允许中专一个节点时即为k，但中转多个节点时，需要对应上一步的中转节点，因此这里要指明是path[i][k]而不是k）。
于是我们通过向前递推path[][]数组，直到path[i][j]是目标节点。则可输出其中转节点。
使用邻接表时，arcs二维数组变成，嵌套字典来表示邻接表，形式为{begin节点：{end节点：连线权重}}。
path二维数组变成{begin节点：{end节点：最后的中转节点}}
Floyd复杂度
注意中间的那个三次循环，显然时间复杂度为O(V^3) ，V为顶点数量
空间复杂度为O(V^2),主要是两个嵌套的hashmap
Dijkstra算法
Dijkstra简介
迪杰斯特拉(Dijkstra)算法是典型最短路径算法，用于计算一个节点到其他节点（不是所有节点到所有节点）的最短路径。 它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想)，直到扩展到终点为止
Dijkstra算法思想
通过Dijkstra计算图G中的最短路径时，需要指定起点s(即从顶点s开始计算)。
此外，引进两个集合S和U。S的作用是记录已求出最短路径的顶点(以及相应的最短路径长度)，而U则是记录还未求出最短路径的顶点(以及该顶点到起点s的距离)。（u中间的距离如何计算，是通过s集合中的顶点作为中转点计算得出，s最开始只有一个起始点，但不断地从u中取出min距离的顶点到s，再根据这个顶点作为中转点更新u中的距离）
初始时，S中只有起点s；U中是除s之外的顶点，并且U中顶点的路径是”起点s到该顶点的路径”。然后，从U中找出路径最短的顶点，并将其加入到S中；接着，更新U中的顶点和顶点对应的路径。 然后，再从U中找出路径最短的顶点，并将其加入到S中；接着，更新U中的顶点和顶点对应的路径。 … 重复该操作，直到遍历完所有顶点。
Dijkstra样例
以上图G4为例，来对迪杰斯特拉进行算法演示(以第4个顶点D为起点)。以下B节点中23应为13。
初始状态：S是已计算出最短路径的顶点集合，U是未计算除最短路径的顶点的集合！
第1步：将顶点D加入到S中。
此时，S={D(0)}, U={A(∞),B(∞),C(3),E(4),F(∞),G(∞)}。 注:C(3)表示C到起点D的距离是3。
第2步：将顶点C加入到S中。
上一步操作之后，U中顶点C到起点D的距离最短；因此，将C加入到S中，同时更新U中顶点的距离。以顶点F为例，之前F到D的距离为∞；但是将C加入到S之后，F到D的距离为9=(F,C)+(C,D)。
此时，S={D(0),C(3)}, U={A(∞),B(23),E(4),F(9),G(∞)}。
第3步：将顶点E加入到S中。
上一步操作之后，U中顶点E到起点D的距离最短；因此，将E加入到S中，同时更新U中顶点的距离。还是以顶点F为例，之前F到D的距离为9；但是将E加入到S之后，F到D的距离为6=(F,E)+(E,D)。
此时，S={D(0),C(3),E(4)}, U={A(∞),B(23),F(6),G(12)}。
第4步：将顶点F加入到S中。
此时，S={D(0),C(3),E(4),F(6)}, U={A(22),B(13),G(12)}。
第5步：将顶点G加入到S中。
此时，S={D(0),C(3),E(4),F(6),G(12)}, U={A(22),B(13)}。
第6步：将顶点B加入到S中。
此时，S={D(0),C(3),E(4),F(6),G(12),B(13)}, U={A(22)}。
第7步：将顶点A加入到S中。
此时，S={D(0),C(3),E(4),F(6),G(12),B(13),A(22)}。
此时，起点D到各个顶点的最短距离就计算出来了：A(22) B(13) C(3) D(0) E(4) F(6) G(12)。
Dijkstra复杂度
Dijkstra算法的时间复杂度为O(V^2)，确实比Floyd算法小。当然，还有一点要注意，Dijkstra算法是不能解决具有负权边的图的。
空间复杂度为O(V)
java实现
图的基础代码
https://blog.csdn.net/xushiyu1996818/article/details/90373591
Floyd算法
/**使用Floyd（弗洛伊德）算法，返回所有节点间的最短距离
* 设置两个map
* 第一个 result，key为出发点，value是map，这个map的key是结束点，value是出发点到结束点的最短距离
* 第二个 path，key为出发点，value是map，这个map的key是结束点，value是出发点到结束点的最短距离的路径的最后的中转节点
* 一开始，result里的value为maxDouble(到自己的value为0），path里的value是结束点
* 然后，用图里的所有的边对result做初始化，当不经过任意第三节点时，其最短路径为初始路径，只对图里先有的只经过两点的边，对result里的value更新
*
* 进行循环
* 当只允许经过1号节点时，求两点之间的最短路径该如何求呢？只需判断i到1号的min距离 + 1号到j的min距离是否比i到j的min距离要小即可。
* 如果i到1号的min距离 + 1号到j的min距离 小于 i到j的min距离，说明经过1号的路径更好，
* 让i到j的min距离=i到1号的min距离 + 1号到j的min距离，并且i到j的最后的中转节点为1号节点
* 比如说a到b到c到d，a到c的中转为b，a到d的中转为c（根据c得到a到c的中转为b，a到b的中转为b，就可以得到a到b到c到d）
* 循环遍历result，便可以获取在仅仅经过1号节点时的最短距离和中转节点。
* 由于此时result的结果已经保存了中转1号节点的最短路径，此时如果继续并入2号节点为中转节点
* 则是任意两个节点都经过中转节点1号节点和2号节点的最短路径，把所有节点作为中转节点后，得到的是所有节点间的最短距离
*
*
* @return
*/
public Map, HashMap, Double>> getSmallestDistanceFloyd(){
//第一个 result，key为出发点，value是map，这个map的key是结束点，value是出发点到结束点的最短距离
Map, HashMap, Double>> result=new HashMap<>();
//第二个 path，key为出发点，value是map，这个map的key是结束点，value是出发点到结束点的最短距离的路径的最后的中转节点
Map, HashMap, Vertex>> path=new HashMap<>();
Set> vertexSet=getVertexSet();
Vertex vertex;
Edge edge;
for(Vertex begin:vertexSet){
HashMap, Double> distanceMap=new HashMap<>();
HashMap, Vertex> pathMap=new HashMap<>();
for(Vertex end:vertexSet){
//一开始，result里的value为maxDouble(到自己的value为0），path里的value是结束点
distanceMap.put(end, Double.MAX_VALUE);
pathMap.put(end, end);
}
//result里的value为maxDouble(到自己的value为0），path里的value是结束点
distanceMap.put(begin, 0.0);
result.put(begin, distanceMap);
path.put(begin, pathMap);
}
for(Vertex begin:vertexSet){
HashMap, Double> distanceMap=result.get(begin);
Iterator edgeIterator=begin.getEdgeIterator();
while(edgeIterator.hasNext()){
edge=edgeIterator.next();
//用图里的所有的边对result做初始化，当不经过任意第三节点时，其最短路径为初始路径，只对图里先有的只经过两点的边，对result里的value更新
distanceMap.put(edge.getEndVertex(), edge.getWeight());
}
result.put(begin, distanceMap);
}
for(Vertex mid:vertexSet){
for(Vertex begin:vertexSet){
HashMap, Double> distanceMap=result.get(begin);
HashMap, Vertex> pathMap=path.get(begin);
for(Vertex end:vertexSet){
Double beginEnd=distanceMap.get(end);
Double beginMid=distanceMap.get(mid);
Double midEnd=result.get(mid).get(end);
if(beginMid==Double.MAX_VALUE||midEnd==Double.MAX_VALUE||beginMid+midEnd>beginEnd){
//如果通过中转点不行，或者通过中转点的距离大于原先距离，就不考虑这个中转点
continue;
}
//让i到j的min距离=i到1号的min距离 + 1号到j的min距离，并且i到j的最后的中转节点为1号节点
distanceMap.put(end, beginMid+midEnd);
pathMap.put(end, mid);
}
result.put(begin, distanceMap);
path.put(begin, pathMap);
}
}
for(Vertex begin:vertexSet){
HashMap, Double> distanceMap=result.get(begin);
HashMap, Vertex> pathMap=path.get(begin);
for(Vertex end:vertexSet){
System.out.println("从顶点:"+begin.getLabel()+" ，到顶点："+end.getLabel()+
" ，最短距离为："+distanceMap.get(end)+" ，最后中转点为:"+pathMap.get(end).getLabel());
}
}
return result;
} dijkstra算法
/**用dijkstra算法求出first节点到其他节点的最短距离
* 声明两个set，open和close，open用于存储未遍历的节点，close用来存储已遍历的节点
* 声明两个map，一个map为distance，key为vertex，value为double，是计算现在得到的这个vertex距离起始点的最短路径
* 一个map为path，key为vertex，value为vertex，是出发点到结束点的最短距离的路径的最后的中转节点
* 初始阶段，将所有节点放入open
* distance里面先初始为doubleMax，Path先初始为vertex自己
* 将起始点放入close，设置distance=0，path=自己，更新起始点周围的节点的距离，设置他们的distance=边的距离，path=起始点
* 以初始节点为中心向外一层层遍历，获取离指定节点最近的子节点（遍历open中的vertex,找到distance最小的vertex）
* 放入close并从新计算路径，直至close包含所有子节点（或者说open为空）
* @param first
* @return 返回一个map为distance，key为vertex，value为double，是计算现在得到的这个vertex距离起始点的最短路径
*/
public HashMap, Double> getSmallestDistanceDijkstra(String first){
Set> open=new HashSet<>();
Set> close=new HashSet<>();
HashMap, Vertex> path=new HashMap<>();
HashMap, Double> distance=new HashMap<>();
Set> set=getVertexSet();
Vertex firstVertex=vertexMap.get(first);
Edge edge;
if(firstVertex==null){
return distance;
}
//初始阶段，将所有节点放入open,distance里面先初始为doubleMax，Path先初始为vertex自己
for(Vertex vertex:set){
open.add(vertex);
distance.put(vertex, Double.MAX_VALUE);
path.put(vertex, vertex);
}
//将起始点放入close，设置distance=0，path=自己，更新起始点周围的节点的距离，设置他们的distance=边的距离，path=起始点
open.remove(firstVertex);
close.add(firstVertex);
distance.put(firstVertex, 0.0);
path.put(firstVertex, firstVertex);
Iterator edgeIterator=firstVertex.getEdgeIterator();
while(edgeIterator.hasNext()){
edge=edgeIterator.next();
Vertex endVertex=edge.getEndVertex();
distance.put(endVertex, edge.getWeight());
path.put(endVertex, firstVertex);
}
//以初始节点为中心向外一层层遍历，获取离指定节点最近的子节点（遍历open中的vertex,找到distance最小的vertex）
//放入close并从新计算路径，直至close包含所有子节点（或者说open为空）
while(!open.isEmpty()){
Double minDistance=Double.MAX_VALUE;
Vertex minVertex=null;
for(Vertex vertex:open){
if(minDistance>distance.get(vertex)){
//遍历open中的vertex,找到distance最小的vertex
minDistance=distance.get(vertex);
minVertex=vertex;
}
}
////放入close并从新计算路径，直至close包含所有子节点（或者说open为空）
open.remove(minVertex);
close.add(minVertex);
//System.out.println("加入节点："+minVertex.getLabel());
edgeIterator=minVertex.getEdgeIterator();
while(edgeIterator.hasNext()){
edge=edgeIterator.next();
Vertex endVertex=edge.getEndVertex();
Double weight=edge.getWeight();
//如果之前的距离>初始到minVertex+minVertex到endVertex，就替换
if(distance.get(endVertex)>distance.get(minVertex)+weight){
distance.put(endVertex, distance.get(minVertex)+weight);
path.put(endVertex, minVertex);
}
}
}
for(Vertex vertex:set){
System.out.println("到顶点："+vertex.getLabel()+
" ，最短距离为："+distance.get(vertex)+" ，最后中转点为:"+path.get(vertex).getLabel());
}
return distance;
} 测试
package datastructure.graph.adjacencymatrixgraph;
public class Main {
public static void main(String[] args) {
Graph graph=new Graph<>(false);
graph.addVertex("first", 0);
graph.addVertex("second", 0);
graph.addVertex("third", 0);
graph.addVertex("fourth", 0);
graph.addEdge("first", "second", 1);
graph.addEdge("first", "third", 2);
graph.addEdge("third", "fourth", 3);
graph.addEdge("second", "third", 1);
graph.addEdge("second", "fourth", 2);
graph.printGraph();
//graph.breathFirstTraversal("first");
//graph.depthFirstTraversal("first");
//graph.getTopuSort();
//graph.generateMinTreePrim("first");
//graph.generateMinTreeKruskal();
//graph. getSmallestDistanceFloyd();
graph.getSmallestDistanceDijkstra("first");
}
}