最短路径与贪婪 - Vamei
作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢
图是由节点和连接节点的边构成的。节点之间可以由路径,即边的序列。根据路径,可以从一点到达另一点。在一个复杂的图中,图中两点可以存在许多路径。最短路径讨论了一个非常简单的图论问题,图中从A点到B点 ,那条路径耗费最短?
这个问题又异常复杂,因为网络的构成状况可能很复杂。
一个最简单的思路,是找出所有可能的从A到B的路径,再通过比较,来寻找最短路径。然而,这并没有将问题简化多少。因为搜索从A到B的路径,这本身就是很复杂的事情。而我们在搜索所有路径的过程中,有许多路径已经绕了很远,完全没有搜索的必要。比如从上海到纽约的路线,完全没有必要先从上海飞到南极,再从南极飞到纽约,尽管这一路径也是一条可行的路径。
所以,我们需要这样一个算法:它可以搜索路径,并当已知路径包括最短路径时,即停止搜索。我们先以无权网络为例,看一个可行的最短路径算法。
无权网络
无权网络(unweighted network)是相对于加权网络的,这里的“权”是权重。每条边的耗费相同,都为1。路径的总耗费即为路径上边的总数。
我们用“甩鞭子”的方式,来寻找最短路径。鞭子的长度代表路径的距离。
手拿一个特定长度的鞭子,站在A点。甩出鞭子,能打到一些点。比如C和D。
将鞭子的长度增加1。再甩出鞭子。此时,从C或D出发,寻找距离为1的邻接点,即E和F。这些点到A点的距离,为此时鞭子的长度。
记录点E和F,并记录它们的上游节点。比如E(C), F(D)。我们同样可以记录此时该点到A的距离,比如5。
如果要记录节点E时,发现它已经出现在之前的记录中,这说明曾经有更短的距离到E。此时,不将E放入记录中。毕竟,我们感兴趣的是最短路径。如下图中的E:
黄色的E不被记录
最初的鞭子长度为0,站在A点,只能打到A点自身。当我们不断增加鞭子长度,第一次可以打到B时,那么此时鞭子的长度,就是从A到B的最短距离。循着我们的记录,倒推上游的节点,就可以找出整个最短路径。
我们的记录本是个很有意思的东西。某个点放入记录时,此时的距离,都是A点到该点的最短路径。根据记录,我们可以反推出记录中任何一点的最短路径。这就好像真诚对待每个人。这能保证,当你遇到真爱时,你已经是在真诚相待了。实际上,记录将所有节点分割成两个世界:记录内的,已知最短距离的;记录外的,未知的。
加权网络
在加权网络中(weighted network),每条边有各自的权重。当我们选择某个路径时,总耗费为路径上所有边的权重之和。
加权网络在生活中很常见,比如从北京到上海,可以坐火车,也可以坐飞机。但两种选择耗费的时间并不同。再比如,我们打出租车和坐公交车,都可以到市区,但车资也有所不同。在计算机网络中,由于硬件性能不同,连接的传输速度也有所差异。加权网络正适用于以上场景。无权网络是加权网络的一个特例。
这个问题看起来和无权网络颇为类似。但如果套用上面的方法,我们会发现,记录中的节点并不一定是最短距离。我们看下面的例子:
很明显,最短路径是A->C->D->B,因为它的总耗费只有4。按照上面的方法,我们先将A放入记录。从A出发,有B和C两个如果将B和C同时放入记录,那么记录中的B并不符合最短距离的要求。
那么,为什么无权网络可行呢?假设某次记录时,鞭子长度为5,那么这次记录点的邻接点,必然是距离为6的点。如果这些邻接点没有出现过,那么6就是它们的最短距离。所有第一次出现的邻接点,都将加入到下次的记录中。比如下面的例子,C/D/E是到达A的邻接点,它们到A的最短距离必然都是1。
对于加权网络来说,即使知道了邻接点,也无法判断它们是否符合最短距离。在记录C/D/E时,我们无法判断未来是否存在如下图虚线的连接,导致A的邻接点E并不是下一步的最短距离点:
但情况并没有我们想的那么糟糕。仔细观察,我们发现,虽然无法一次判定所有的邻接点为下一步的最短距离点,但我们可以确定点C已经处在从A出发的最短距离状态。A到C的其它可能性,比如途径D和E,必然导致更大的成本。
也就是说,邻接点中,有一个达到了最短距离点,即邻接点中,到达A距离最短的点,比如上面的C。我们可以安全的把C改为已知点。A和C都是已知点,点P成为新的邻接点。P到A得距离为4。
出于上面的观察,我们可以将节点分为三种:
- 已知点:已知到达A最短距离的点。“我是成功人士。”
- 邻接点:有从记录点出发的边,直接相邻的点。“和成功人士接触,也有成功的机会哦。”
- 未知点:“还早得很。”
最初的已知点只有A。已知点的直接下游节点为邻接点。对于邻接点,我们需要独立的记录它们。我们要记录的有:
- 当前情况下,从A点出发到达该邻接点的最短距离。比如对于上面的点D,为6。
- 此最短距离下的上游节点。对于上面的点D来说,为A。
每次,我们将邻接点中最短距离最小的点X转为已知点,并将该点的直接下游节点,改为邻接点。我们需要计算从A出发,经由X,到达这些新增邻接点的距离:新距离 = X最短距离 + QX边的权重。此时有两种情况,
- 如果下游节点Q还不是邻接点,那么直接加入,Q最短距离 = 新距离,Q上游节点为X。
- 如果下游节点Q已经是邻接点,记录在册的上游节点为Y,最短距离为y。如果新距离小于y,那么最小距离改为新距离,上游节点也改为X。否则保持原记录不变。
我们还用上面的图,探索A到E的路径:
第一步
状态 | 已知距离 | 上游 | |
A | 已知 | 0 | A |
C | 邻接 | 1 | A |
D | 邻接 | 6 | A |
E | 邻接 | 9 | A |
P | 未知 | 无穷 |
第二步
状态 | 已知距离 | 上游 | |
A | 已知 | 0 | A |
C | 已知 | 1 | A |
D | 邻接 | 6 | A |
E | 邻接 | 9 | A |
P | 邻接 | 4 | C |
第二步
状态 | 已知距离 | 上游 | |
A | 已知 | 0 | A |
C | 已知 | 1 | A |
D | 邻接 | 6 | A |
E | 邻接 | 7 | P |
P | 已知 | 4 | C |
第三步
状态 | 已知距离 | 上游 | |
A | 已知 | 0 | A |
C | 已知 | 1 | A |
D | 已知 | 6 | A |
E | 邻接 | 7 | P |
P | 已知 | 4 | C |
最后,E成为已知。倒退,可以知道路径为E, P, C, A。正过来,就是从A到E的最短路径了。
上面的算法是经典的Dijkstra算法。本质上,每个邻接点记录的,是基于已知点的情况下,最好的选择,也就是所谓的“贪婪算法”(greedy algorithm)。当我们贪婪时,我们的决定是临时的,并没有做出最终的决定。转换某个点成为已知点后,我们增加了新的可能性,贪婪再次起作用。根据对比。随后,某个邻接点成为新的“贪无可贪”的点,即经由其它任意邻接点,到达该点都只会造成更高的成本; 经由未知点到达该点更不可能,因为未知点还没有开放,必然需要经过现有的邻接点到达,只会更加绕远。好吧,该点再也没有贪婪的动力,就被扔到“成功人士”里,成为已知点。成功学不断传染,最后感染到目标节点B,我们就找到了B的最短路径。
实现
理解了上面的原理,算法的实现是小菜一碟。我们借用 图 (graph)中的数据结构,略微修改,构建加权图。
我们将上面的表格做成数组records,用于记录路径探索的信息。
重新给点A,C,D,E,P命名,为0, 1, 2, 3, 4。
代码如下:
#include <stdio.h>
#include <stdlib.h>
#define NUM_V 5
#define INFINITY 10000
typedef struct node *position;
typedef struct record *label;
/* node */
struct node {
int element;
position next;
int weight;
};
/* table element, keep record */
struct record {
int status;
int distance;
int previous;
};
/*
* operations (stereotype)
*/
void insert_edge(position, int, int, int);
void print_graph(position, int);
int new_neighbors(position, label, int, int);
void shortest_path(position, label, int, int, int);
/* for testing purpose */
void main()
{
struct node graph[NUM_V];
struct record records[NUM_V];
int i;
// initialize the vertices
for(i=0; i<NUM_V; i++) {
(graph+i)->element = i;
(graph+i)->next = NULL;
(graph+i)->weight = -1;
}
// insert edges
insert_edge(graph,0,1,1);
insert_edge(graph,0,2,6);
insert_edge(graph,0,3,9);
insert_edge(graph,1,4,3);
insert_edge(graph,4,3,3);
print_graph(graph,NUM_V);
// initialize the book
for (i=0; i<NUM_V; i++){
(records+i)->status = -1;
(records+i)->distance = INFINITY;
(records+i)->previous = -1;
}
shortest_path(graph, records, NUM_V, 0, 3);
//
}
void shortest_path(position graph, label records, int nv, int start, int end) {
int current;
(records+start)->status = 1;
(records+start)->distance = 0;
(records+start)->previous = 0;
current = start;
while(current != end) {
current = new_neighbors(graph, records, nv, current);
}
while(current != start) {
printf("%d <- ", current);
current = (records+current)->previous;
}
printf("%d\n", current);
}
int new_neighbors(position graph, label records, int nv, int current) {
int newDist;
int v;
int i;
int d;
position p;
// update the current known
(records + current)->status = 1;
// UPDATE new neighbors
p = (graph+current)->next;
while(p != NULL) {
v = p->element;
(records + v)->status = 0;
newDist = p->weight + (records + current)->distance;
if ((records + v)->distance > newDist) {
(records + v)->distance = newDist;
(records + v)->previous = current;
}
p = p->next;
}
// find the next known
d = INFINITY;
for (i=0; i<nv; i++) {
if ((records + i)->status==0 && (records + i)->distance < d){
d = (records + i)->distance;
v = i;
}
}
return v;
}
/* print the graph */
void print_graph(position graph, int nv) {
int i;
position p;
for(i=0; i<nv; i++) {
p = (graph + i)->next;
printf("From %3d: ", i);
while(p != NULL) {
printf("%d->%d; w:%d ", i, p->element, p->weight);
p = p->next;
}
printf("\n");
}
}
/*
* insert an edge
* with weight
*/
void insert_edge(position graph,int from, int to, int weight)
{
position np;
position nodeAddr;
np = graph + from;
nodeAddr = (position) malloc(sizeof(struct node));
nodeAddr->element = to;
nodeAddr->next = np->next;
nodeAddr->weight = weight;
np->next = nodeAddr;
}
运行结果如下:
From 0: 0->3; w:9 0->2; w:6 0->1; w:1
From 1: 1->4; w:3
From 2:
From 3:
From 4: 4->3; w:3
3 <- 4 <- 1 <- 0
即从0到1到4到3,也就是从A到C到P到E,是我们的最短路径。
上面的算法中,最坏情况是目标节点最后成为已知点,即要寻找[$O(|V|)$]。而每个已知点是通过寻找[$O(|V|)$]个节点的最小值得到的。最后,打印出最短的路径过程中,需要倒退,最多可能有[$O|E|$],也就是说,算法复杂度为[$O(|V|^2 + |E|)$]。
上面的records为一个数组,用于记录路径探索信息。我们可以用一个优先队列来代替它,将已知的节点移除优先队列。这样可以达到更好的运算效率。
练习: 自行设计一个加权网络,寻找最短路径。
总结
最短路径是寻找最优解的算法。在复杂的网络中,简单的实现方式无法运行,必须求助于精心设计的算法,比如这里的Dijkstra算法。利用贪婪的思想,我们不断的优化结果,直到找到最优解。
欢迎阅读 “纸上谈兵: 算法与数据结构”系列
本文链接: http://www.cnblogs.com/vamei/p/3604629.html,转载请注明。