数据结构（十三）：最短路径(Floyd算法)

Bellman-Ford 算法或者 Dijkstra 算法用于解决单源最短路径问题，获取从指定起点出发，到达图中各个顶点的最短路径。若要获得图中每两个顶点之间的最短路径，则需要对算法执行 次，不过这里推荐另一种获得每对顶点间最短路径的方式。

Floyd-Warshall 算法使用动态规划策略计算图中每两个顶点间的最短路径，算法中通过调整路径中经过的中间顶点来缩小路径权值，最终得到每对顶点间的最短路径。

Floyd 算法允许图中存在负权边，但是不能存在负权回路。

算法介绍

对于图 ，以 表示顶点集合，则从顶点 到顶点 的最短路径中经过的所有顶点都处于集合 中。对于顶点集合 ，不妨以 表示从顶点 到顶点 的最短路径权值，且路径中经过的顶点都处于集合 中。因此当 时，因为此时的最短路径并非基于全部顶点集合，所以此时的 值可能要大于 。当 时，则有 ，即此时的最短路径才是基于顶点集合 上真正的最短路径权值。

根据最短路径的特性，若从顶点 到顶点 的最短路径为 ，则路径 为顶点 到顶点 的最短路径，因为若 之间存在权值更小的路径，则顶点 的最短路径 不成立，同理，路径 为顶点 到顶点 的最短路径。

对于顶点集合 ，若顶点 到顶点 的最短路径中不包含顶点 ，则有 ；若最短路径中包含顶点 ，则有 。若 ，则 ，表示顶点 和顶点 之间的路径上不存在其他顶点，路径权值即为边权值。

因此有如下递推关系式：

算法过程

根据该递推关系可知，对于任意两个顶点 ，可以递增 值来逐渐获得最终的最短路径权值 。所以在算法的实现中，可以设置一个 二维矩阵，用于保存每两个顶点之间的路径权值，递增 值，遍历更新矩阵每个元素的路劲权值，当 时，此时矩阵中存储的则是任意顶点 之间的最短路径权值。

演示示例

graph

matrix

根据图 graph 构造矩阵 matrix，其中顶点到自身的距离为 0，每两个顶点之间边的权值如 matrix 所示。

当 时，根据推导关系式 遍历更新矩阵元素，更新后，矩阵如下图所示：

matrix_1

随便元素值并没有发生变化，但此时对于任意顶点 ，矩阵 matrix_1 中存储的都是 的值，表示任意两个顶点在中间顶点处于集合 上的最短路径权值。

递增 值，当 时，矩阵元素如下图所示：

matrix_8

此时矩阵 matrix_9 中存储的都是 的值，表示任意两个顶点在中间顶点处于集合 上的最短路径权值，即此时对于任意两个顶点有 。

算法示例

def floyd(graph):
    matrix = graph.list
    for k in range(graph.number):
        for i in range(graph.number-1,-1,-1):
            for j in range(graph.number):
                if matrix[i][k] != None and matrix[k][j] != None and (matrix[i][j] == None or matrix[i][k] + matrix[k][j] < matrix[i][j]):
                    matrix[i][j] = matrix[i][k] + matrix[k][j]

floyd 算法较为简洁，代码中存在三层循环，第二层和第三层循环为遍历矩阵每个元素，根据递推关系式，更新每两个顶点之间的路径权值。第一层循环则是递增 值，直到 ，此时更新矩阵元素，可以获得基于整个顶点集合上的最短路径权值。

性能分析

floyd 算法中存在三层循环，所以时间复杂度为 。

代码及测试 github 链接：最短路径(Floyd算法)