图算法---单源最短路径
开篇写了几篇记录学习图算法，Want先生很不耐烦的提出了自己的问题：他妈的，你扯了那么多算法，我的要求很简单，告诉我从点s到点v有几条路可以到达？其中那条路妹子最多？他妈的要是我敢时间那条路最快？
或许这篇文章可以回答want先生的问题，当然也有许多aspire先生，你写的这些文章对我一点用都没有，我希望的文章是能直接解决我遇到的问题，对此，我很抱歉，希望你能找到灵感，看到一坨屎也能产生灵感，如果是的，我很高兴这是那坨屎。
最短路径最优子结构（开门见山）
算法导论引理24.1（最短路径的子路径是最短路径）：对于一给定的带权有向图G=（V,E），所定义的权函数w：E ---> R。设P=（v1,v2,...,vk）的最短路径是从v1到vk的最短路径，对于任意i，j，其中1 <= i <= j <= K,
设Pij = (Vi，Vi+1,....,Vk)为P从顶点vi到vj的子路径。那么，Pij是从Vi到Vj的最短路径。
证明：反证，假设Pij不是Vi到Vj的最短路径。
一个最短路径能包含回路吗（最短路径上的顶点会重复吗）？分三种情况考虑：负权回路、正权回路、0权回路。
1、负权回路（不存在）
那么将不存在V1到Vk的最短路径，因为在这个回路上无限循环，最短路径是“负无穷”（我自己认为这种情况不存在回路，单如果限制要求路径上的点不能重复的话，那么是有最短路径的）
2、正权回路（不存在）
显然把回路那部分去掉，有比这更短的路径
3、0权回路（不存在）
显然，把0权回路去掉，就是无回路的最短路径。
松弛技术
对加权有向图G=（V,E），对每个顶点v属于V，都设置一个属性d[v],用来描述从原点s到v的字段路径上权值的上届，称为最短路径估计（松弛技术的理论基础）
最短路径以及松弛的性质：
三角不等式性质：
对任意边（u，v）属于边集E，有 min（s，u） < = min(s,u) + w(u,v)
上届性质：
对任意顶点v属于V，有d[v] >= min(s,v)，而且一旦d[v] 达到min(s,v)值就不在改变
无路径性质：
如果从s到v不存在路径，则总是有d[v] = min(s,v) =正无穷
收敛性质：-
如果路径(s,...,u,v)是s到v的最短路径，而且在松弛边（u，v）之前的任何时间d[u] = min(s,u),则在松弛边（u，v）后总有d[v] = min(s,v)
路径松弛性质（本人认为是最直观的性质，可以根据直接写出算法的性质）：
如果路径p=(v1,...,vk)是v1到vk的最短路径，而且p按照（v1,v2）(v2,v3)...(Vk-1,Vk)的顺序进行松弛，那么d[k] = min（v1，vk）。这个性质保持并不受其他松弛操作的影响，即使他们与p的边上的松弛操作混合在一起也是一样的。
24.1 Bellman-Ford算法
1、首先介绍一下顶点的G的类
class G:
vector = []#数组，用邻接表方式存储图，用顶点在数组位置标识顶点
d = []#存储顶点的距离
p =[]#存储顶点的父母#初始化，将所有顶点的父母置为NULL，将所有顶点v的d[v]设为无穷，将s的d[s]设为0
def Initialize_single_source(G1,s):
for u in range(0,len(G1.vector)):
G1.d.append(None)#adas
G1.p.append(None)
G1.d[s] = 0
return#对边(u，v),进行松弛操作，w为计算边的权重函数
def relax(u,v,G1,w):
weight = w(u,v)
if comp_d(G1.d[u],weight,G1.d[v]):
G1.d[v] = G1.d[u] + weight
G1.p[v] = u
return
4.1、首先初始化图G=(V,E)
4.2、@1：进行|V|-1次循环操作，见下面
@2：遍历所有的边，对边进行松弛操作
4.3、 判断是否有负权回路，有返回False，无返回True
4.4、复杂度O(V*E)
def bellman_ford(G1,w,s):
Initialize_single_source(G1,s)
for n in range(0,len(G1.vector)-1):
for u in range(0,len(G1.vector)):
for v in G1.vector[u]:
relax(u,v,G1,w)
for u in range(0,len(G1.vector)):
for v in G1.vector[u]:
weight = w(u,v)
if comp_d(G1.d[u],weight,G1.d[v]):
return False
return True
5.1、对bellman-ford算法进行修改，对任意顶点v，当从源顶点v的某些路径下存在一个负权回路，则设置d[v]为负无穷。
个人思路： 对4.3步进行修改，如果d[u] + w(u,v) < d[v],则将u的后裔 和u的d设置为负无穷
5.2、设G=(V,E)为一带权有向图，其权函数w：E--->R。请给出一个O(VE)时间的算法，对每个顶点v属于V，找出
min(min(u,v)),u属于V。
个人思路： 假设图没有回路
24.2有向无回路图中的单源最短路径
1、算法分析：
1.1、进行拓扑排序
1.2、@1：安照拓扑顺序执行下面操作
@2：遍历顶点u的出边，进行松弛（relax)操作
2、证明有向无回路图，进行拓扑排序后(v0,v1,v2,....,vk),不存在边（vi，vj）其中i > j
证明：假设存在这样的边（vi，vj）
由拓扑排序可知f[vi] < f[vj]
由于存在边（vi，vj),所以有d[vi] > d[vj]（因为如果d[vi] < d[vj],则 f[vi] > f[vj]，与实际不符）
根据深度优先搜索定理，可知vi是vj的后裔，所以vj可到达vi
再加上边（vi，vj），这就是一条回路
3、有向无回路图中的单源最短路径---算法
def dag_top_sort(G1,w,s):
ret_sort = top_sort(G1)
Initialize_single_source(G1,s)
for u in ret_sort:
for v in G1.vector[u]:
relax(u,v,G1,w)
print G1.vector
print G1.p
print G1.d4.1、给出一个高效算法来统计有向无回路图中的全部路径数。分析所给的算法
24.3 Dijkstra 算法（有向图，但是所有边的权重必须大于等于0）
1、算法介绍
1.1、初始化
1.2、将顶点以d为key插入最小优先队列
1.3、@1：不断获取队列中d最小的顶点u
@2：对顶点u的边（u，v），进行松弛，改变d[v]的值
2、Dijkstra 是典型的贪心算法，即这个性质路径p(v0,v1,...,vk)是v0到vk的最短路径，由于每条边的权重大于0所以，min（v0，vi）<= min(v0,vj),其中i < j。根据这一性质，我们每一步找出最优选择，最终就可以得到解
class node:
def __init__(self,key,index):
self.key1 = key
self.index = index
def cmpItem(x,y):
if x.key1 == None:
return False
if y.key1 == None:
return True
if x.key1 < y.key1:
return True
return False
def Dijkstra(G1,w,s):
Initialize_single_source(G1,s)
queue1 = prioty_queue(cmpItem)
for i in range(0,len(G1.vector)):
queue1.insert(node(G1.d[i],i))
while len(queue1.data):
u = queue1.getMin()
for v in G1.vector[u.index]:
relax(u.index,v,G1,w)
queue1.decrease(v,G1.d[v])
return3、习题
3.1、已知有一有向图G=（V,E),其每条边(u,v)均对应一个权重值r(u,v),表示顶点u到顶点v之间通信线路的可靠性。取值范围为0 <= r(u,v)<= 1。并假设这些概率是独立的，写出一个有效算法，来找出两个指定顶点间最可靠线路。
个人思路：（最短路径是权重的叠加，这里是权重的相乘，形无常形,举一反三）
假设有一条v0到vk的最可靠线路（v0，v1，。。。，vk），则存在可靠性p（v0，vi） >= p(v0,vj) (i < j
)，根据这一性质，我们可以采用DIJKSTRA算法。
松弛操作：用d[v]表示s到顶点v最高可靠概率下届，假设存在边（u，v）
d[v] < d[u]*r(u,v),则d[v] = d[u]*r(u,v)
def newCmp(n1,n2):
if n1.key1 > n2.key1:
return True
return False
def get_max_access(G1,s,e):
for n in range(0,len(G1.vector)):
G1.p.append(None)
G1.d.append(0)
G1.d[s] = 1
queue1 = prioty_queue(newCmp)
for n in range(0,len(G1.vector)):
queue1.insert(node(G1.d[n],n))
while len(queue1.data):
u = queue1.getMin()
if u.index == e:
break
for v in G1.vector[u.index]:
newWeight = ((u.index + v)%5+1)/5.0
if newWeight > G1.d[v]:
G1.d[v] = newWeight
G1.p[v] = u.index
queue1.decrease(v,G1.d[v])
cc = e
print cc
while G1.p[cc] != None:
cc = G1.p[cc]
print cc
return
3.2、设G =(V,E)为带权有向图，权函数w：E--->(0,1,...,w)，其中W为某非负整数。修改Dijkstra算法，以使其计算从指定源点s的最短路径所需的运行时间为O((V+E)logW）
个人思路: 上面实现的最小优先队列的执行时间为logV，在这里我们可以改进优先队列的操作，使其每个操作的执行时间为logW