背景
Floyd 最短路算法用于求解任意两点的最短路径,称为“多源最短路”。下面我们介绍指定一个点到其他各个顶点的最短路径,叫做:单源最短路径。
下面我们还是先给出本篇文章讲解依赖的图:
数据结构
同样,我们使用一个二维数组存储上述图的信息。
求解过程
根据上图:我们可以得到初始矩阵path:
前面我们说过dijkstra是“单源最短路径”,在讲解求解过程之前,我们就选择0号顶点作为源点。
选择好了源点,我们还需要一个一维数组用来存储源点到各个顶点的距离,
如下为初始值:
此时我们称dis数组为最短路的“估计值”。
下面我们根据上述信息,一步步的去更新dis数组,得到最后的结果。
计算过程
既然是求0号顶点到其他顶点的最短距离,那我们首先根据dis数组,找出当前距离0号顶点最近的一个顶点,我们可以找到1号顶点距离0号顶点最近。此时,我们就可以确定0号顶点到1号顶点最短距离。也就是说dis[1]从估计值变成了确定值。这个时候你可能会想为什么?我们可以这样思考,找最短路径的途径就是看能不能找到中转点从而减少距离,由于我们取得是dis中的最小值,那么不可能再找到中转点从而减少0到1的距离。
既然我们已经确认了0号到1号的最短距离,这个时候我们就去更新我们的dis数组,如何更新呢?我们可以把1号顶点作为中转点,通过查看初始矩阵path,通过比较dis[1] + path[1][i]和dis[i]的大小来决定是否更新dis[i]。更新结束之后,我们得到:
更新完dis之后,依据更新的dis,从未确定距离的点中选出距离最短的那个,这个距离就变成了确定值,紧接着去更新dis数组。得到:
紧接着重复执行上述动作,依次得到更新的dis数组为:
最后一张图,就是最后的结果。
总结
根据上述流程,我们做出如下总结:
- 将所有的顶点分为两个部分:已知最短距离的顶点集合P和未知最短距离的顶点集合Q。最开始的时候,已知最短距离的顶点集合中只有源点。
- 初始化dis数组,将源点s到自己的距离设置为0。如果存在源点能够直接到达的顶点i,那么将dis[i]设置为path[s][i],否则设置为Infinity。
- 依据dis数组,在未知顶点集合Q中选出距离源点最近的一个顶点u,放入P中,并考察所有以u为起点的边,以u作为中转点,检验是否能够减短源点到其他点的距离。如果有,就更新dis数组。
重复上一步骤,直到Q中没有顶点。
完整代码
//求解index号顶点到达其他顶点的最短距离
function dijkstra(path,index){
var m = path && path.length;
var n = m && path[0].length;
if(m && n && m===n && index < n){
//初始化distance
var dis = [];
var i;
for(i = 0; i< n;i++){
dis.push(path[index][i]);
}
var flag = [];//用于标识index号至其他顶点的距离是否确定
for(i = 0; i < n; i++ ){
flag.push(false)
}
flag[index] = true;
var min,minIndex;
for(i = 0;i < n;i++){
min = Infinity;
//找出剩余的不确定的点到index最短的距离对应的索引
for(var j = 0; j < n; j++){
if(!flag[j] && dis[j] < min){
min = dis[j];
minIndex = j;
}
}
flag[minIndex] = true;//标识index到此顶点的距离已经确认
for(var k = 0; k < n; k++){
//判断minIndex到k之间有无道路
if(path[minIndex][k] < Infinity){
//更新distance
if(dis[k] > dis[minIndex] + path[minIndex][k]){
dis[k] = dis[minIndex] + path[minIndex][k];
}
}
}
}
return dis;
}
else{
throw new Error("数据有误")
}
}