目录

写在前面

1. 简介

2. 原理

2.1 找出最便宜的节点

2.2 计算前往该节点的各个邻居的开销

2.3 重复上面的步骤

实现

总结

---

写在前面

本文原理摘自《算法图解》这本书。

其实Dijkstra算法是广度优先搜索基础上扩展来的。无非是广度优先搜索按照层次关系，每一层级每一个节点都进行重复操作，直到找到合适的解法，接着进入下一层级。

Dijkstra算法是对每一层级每一个节点找到其符合条件解法，然后进行更新，接着进行下一层级。

 

1. 简介

广度优先算法可以找出段数最少的路径，但是对于路径上带权重的图，想要找出最快的路径，则需要使用狄克斯特拉算法。

2. 原理

为了说明狄克斯特拉算法的原理，使用换钢琴的的例子来做说明.
假设Rama想拿自己的乐谱换架钢琴：

Alex说：“这是我最喜欢的乐队Destroyer的海报，我愿意拿它换你的乐谱。
如果你再加5美元，还可拿乐谱换我这张稀有的Rick Astley黑胶唱片。”
Amy说：“哇，我听说这张黑胶唱片里有首非常好听的歌曲，我愿意拿我的吉他或架子鼓换这张海报或黑胶唱片。
Beethoven惊呼：“我一直想要吉他，我愿意拿我的钢琴换Amy的吉他或架子鼓。”
商品兑换的关系如下：

现在需要确定，Rama如何才能以最少的钱换到他想要的钢琴。

狄克斯特拉算法解决问题的思路主要包括以下四步： 

找出最便宜的节点，即可用最便宜的价格可前往的节点。
对于该节点的邻居，检查是否有前往它们的更短路径，如果有，就更新其开销。
重复这个过程，直到对图中的每个节点都这样做了。
计算最终路径
下面结合狄克斯特拉的算法步骤，对该问题进行推算。

2.1 找出最便宜的节点

对于乐谱而言，可以直接兑换唱片和海报，所需的费用分别为5和0.
为了观察的算法过程中数据的变化情况，使用一个表格来计算兑换的开销以及父节点的情况，对于目前开销的未知的节点用无穷大来表示，经过该步骤后，数据的情况如下：

父节点节点成本

乐谱	唱片	5
乐谱	海报	0
–	吉他	∞
–	架子鼓	∞
–	钢琴	∞

2.2 计算前往该节点的各个邻居的开销

通过步骤1的处理，得知从乐谱->海波的开销是最小的。此时计算从海报到达各邻居节点的开销，如果邻居节点的开销变少了，则更新其开销和父节点。最终的结果如下：

父节点节点成本

乐谱	唱片	5
乐谱	海报	0
海报	吉他	30
海报	架子鼓	35
–	钢琴	∞

2.3 重复上面的步骤

接下来还没有被遍历的节点中，最便宜的兑换商品为唱片，此时计算从唱片到达各邻居节点的开销，通过计算，从唱片到达吉他只需20,从唱片到达架子鼓只需25,因此需要更新结果表中吉他和架子鼓的父节点以及成本，最终结果如下：

父节点节点成本

乐谱	唱片	5
乐谱	海报	0
唱片	吉他	20
唱片	架子鼓	25
–	钢琴	∞

接下来最便宜的节点是吉他，从吉他这个路径走，到钢琴的价格为40.接z最后是架子鼓，从架子鼓这个路径走，到钢琴的价格为35. 于是最终结果如下：

父节点节点成本

乐谱	唱片	5
乐谱	海报	0
唱片	吉他	20
唱片	架子鼓	25
架子鼓	钢琴	35

通过上述表格反推，花费最小的兑换路径为：乐谱–>唱片–>架子鼓–>钢琴，需要花费35.

实现

代码的实现中，需要维护三个散列表：

graph:用来描述顶点与边的关系,为了简单演示，可以直接使用字典的形式表示顶点与边。
costs:用来记录途径顶点的开销
parents:用来记录各顶点的父顶点情况
python代码如下：

# -*- coding:utf-8 -*- # @Author：sunaihua ''' 使用Dijkstra算法得到带权图的最短路径 '''#graph 结构 graph={} graph["start"] = {} graph["start"]["a"] = 6 graph["start"]["b"] = 2 graph["a"] = {} graph["a"]["fin"] = 1 graph["b"] = {} graph["b"]["a"] = 3 graph["b"]["fin"] = 5 graph["fin"] = {}# 成本数据 infinity = float("inf") costs = {} costs["a"] = 6 costs["b"] = 2 costs["fin"] = infinity # parent数据 parents = {} parents["a"] = "start" parents["b"] = "start" parents["fin"] = None # 已经处理过的节点 processed = []def find_lowest_cost_node(costs):lowest_cost = float("inf")lowest_cost_node = Nonefor node in costs:cost = costs[node]if cost < lowest_cost and node not in processed:lowest_cost = costlowest_cost_node = nodereturn lowest_cost_nodedef dijkstra():node = find_lowest_cost_node(costs)while node is not None:cost = costs[node]neighbors = graph[node]for n in neighbors.keys():new_cost = cost + neighbors[n]if costs[n] > new_cost:costs[n] = new_costparents[n] = nodeprocessed.append(node)node = find_lowest_cost_node(costs)# 更具parents中的fin，向前反推，就可以得到最终的路径print parentsif __name__ == '__main__':dijkstra()

总结

广度优先搜索用于在非加权图中查找最短路径。

狄克斯特拉算法用于在加权图中查找最短路径。

仅当权重为正时狄克斯特拉算法才管用。

如果图中包含负权边，请使用贝尔曼-福德算法。

关于最短路径求解：

最短路径的常用解法有迪杰克斯特拉算法Dijkstra Algorithm, 弗洛伊德算法Floyd-Warshall Algorithm, 和贝尔曼福特算法Bellman-Ford Algorithm，其中，Floyd算法是多源最短路径，即求任意点到任意点到最短路径，而Dijkstra算法和Bellman-Ford算法是单源最短路径，即单个点到任意点到最短路径。

 

 

总结

以上是生活随笔为你收集整理的狄克斯特拉（Dijkstra）算法原理详细解释与实现(python)的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。