最短路之SPFA算法

简介: 最短路之SPFA算法

存储图的方式(1.链式向前星2.二维数组)

链式向前星

适用范围

给定的图存在负权边,这时类似Dijkstra等算法就不能用了

算法思想

我们用数组d记录每个结点的最短路径估计值,用邻接表来存储图G。我们采取的方法是动态逼近法:设立一个先进先出的队列用来保存待优化的结点,优化时每次取出队首结点u,并且用u点当前的最短路径估计值对离开u点所指向的结点v进行松弛操作,如果v点的最短路径估计值有所调整,且v点不在当前的队列中,就将v点放入队尾。这样不断从队列中取出结点来进行松弛操作,直至队列空为止

实现方法

建立一个队列,初始时队列里只有起始点,再建立一个表格记录起始点到所有点的最短路径(该表格的初始值要赋为极大值,该点到他本身的路径赋为0)。然后执行松弛操作,用队列里有的点作为起始点去刷新到所有点的最短路,如果刷新成功且被刷新点不在队列中则把该点加入到队列最后。重复执行直到队列为空。  

首先建立起始点a到其余各点的

最短路径表格

首先源点a入队,当队列非空时:

 1、队首元素(a)出队,对以a为起始点的所有边的终点依次进行松弛操作(此处有b,c,d三个点),此时路径表格状态为:

在松弛时三个点的最短路径估值变小了,而这些点队列中都没有出现,这些点

需要入队,此时,队列中新入队了三个结点b,c,d

队首元素b点出队,对以b为起始点的所有边的终点依次进行松弛操作(此处只有e点),此时路径表格状态为:

在最短路径表中,e的最短路径估值也变小了,e在队列中不存在,因此e也要

入队,此时队列中的元素为c,d,e

队首元素c点出队,对以c为起始点的所有边的终点依次进行松弛操作(此处有e,f两个点),此时路径表格状态为:

在最短路径表中,e,f的最短路径估值变小了,e在队列中存在,f不存在。因此

e不用入队了,f要入队,此时队列中的元素为d,e,f

队首元素d点出队,对以d为起始点的所有边的终点依次进行松弛操作(此处只有g这个点),此时路径表格状态为:

在最短路径表中,g的最短路径估值没有变小(松弛不成功),没有新结点入队,队列中元素为f,g队首元素f点出队,对以f为起始点的所有边的终点依次进行松弛操作(此处有d,e,g三个点),此时路径表格状态为:

在最短路径表中,e,g的最短路径估值又变小,队列中无e点,e入队,队列中存在g这个点,g不用入队,此时队列中元素为g,e

队首元素g点出队,对以g为起始点的所有边的终点依次进行松弛操作(此处只有b点),此时路径表格状态为:

在最短路径表中,b的最短路径估值又变小,队列中无b点,b入队,此时队列中元素为e,b队首元素e点出队,对以e为起始点的所有边的终点依次进行松弛操作(此处只有g这个点),此时路径表格状态为:

在最短路径表中,g的最短路径估值没变化(松弛不成功),此时队列中元素为b

队首元素b点出队,对以b为起始点的所有边的终点依次进行松弛操作(此处只有e这个点),此时路径表格状态为:

在最短路径表中,e的最短路径估值没变化(松弛不成功),此时队列为空了

最终a到g的最短路径为14

SPFA算法模板

1

#include<iostream>
#include<algorithm>
#include<queue>
#define MAXN 100000
#define INF 0x3f3f3f3f
using namespace std;
struct edge {
  int to;      //边的终点
  int next;    //上一条边的标号
  int w;       //边权
} E[MAXN];
int cnt=0;
int head[MAXN];
int d[MAXN];
bool vis[MAXN];
void add(int u,int v,int w) { //链式向前星
  E[cnt].to=v;
  E[cnt].w=w;
  E[cnt].next=head[u];
  head[u]=cnt++;
}
void init() {
  for(int i=0; i<MAXN; i++) {
    d[i]=INF;
    vis[i]=0;
    head[i]=-1;
  }
  cnt=0;
}
void SPFA(int s) {//以s为源 
  d[s]=0;
  vis[s]=1;
  queue<int> q;
  q.push(s);
  while(!q.empty()) {
    int u=q.front();
    q.pop();
    vis[u]=0;
    for(int i=head[u]; i!=-1; i=E[i].next) {
      int v=E[i].to;
      int w=E[i].w;
      if(d[v]>d[u]+w) {
        d[v]=d[u]+w;
        if(!vis[v]) {
          vis[v]=1;
          q.push(v);
        }
      }
    }
  }
}
int main(){
  for(int i=1;i<=11;i++){
    int u,v,w;
    cin>>u>>v>>w;
    add(u,v,w);//存图u起点,v终点,w权
  }
  SPFA(1);//以1为源,自行更改
  for(int i=1;d[i]!=INF;i++){
    cout<<d[i]<<endl;
  }
} 

2

#include<iostream>
#include<queue>
#include<string.h>
#define MAXN 1000
#define INF 0x3f3f3f3f
using namespace std;
int n,m;
int d[MAXN],vis[MAXN],a[MAXN][MAXN];
void SPFA(int s) {
  for(int i=0; i<MAXN; i++) {
    d[i]=INF;
    vis[i]=0;
  }
  d[s]=0;
  vis[s]=1;
  queue<int>ac;
  ac.push(s);
  while(!ac.empty()) {
    int actop=ac.front();
    ac.pop();
    vis[actop]=0;
    for(int i=1; i<=n; i++) {
      if(d[i]>d[actop]+a[actop][i]  && a[actop][i]!=0) {//如果有负的这里特判a[actop][i]!=xxxx
        d[i]=d[actop]+a[actop][i];
        if(vis[i]==0) {
          ac.push(i);
          vis[i]=1;
        }
      }
    }
  }
}
int main() {
  cin>>n>>m;
  for(int i=1; i<=m; i++) {
    int a1,b,c;
    cin>>a1>>b>>c;
    a[a1][b]=c;
  }
  SPFA(1);
  for(int i=1; i<=n; i++)
    cout<<d[i]<<endl;
}


目录
相关文章
|
8月前
|
算法
最短路之Floyd算法
最短路之Floyd算法
92 1
|
8月前
|
算法 Java C语言
第十四届蓝桥杯集训——练习解题阶段(无序阶段)-ALGO-5 算法训练 最短路
第十四届蓝桥杯集训——练习解题阶段(无序阶段)-ALGO-5 算法训练 最短路
49 0
|
8月前
|
算法
最短路之Dijkstra算法
最短路之Dijkstra算法
68 0
|
8月前
|
算法
class065 A星、Floyd、Bellman-Ford与SPFA【算法】
class065 A星、Floyd、Bellman-Ford与SPFA【算法】
61 0
|
8月前
|
算法
讲课:拓扑排序、最短路算法
讲课:拓扑排序、最短路算法
|
7天前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现,包含完整程序运行效果(无水印),支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理,模拟信号在复杂室内环境中的传播路径与强度,涵盖场景建模、射线发射、传播及接收点场强计算等步骤,为无线网络规划提供重要依据。
|
20天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
156 80
|
8天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
8天前
|
算法
基于龙格库塔算法的锅炉单相受热管建模与matlab数值仿真
本设计基于龙格库塔算法对锅炉单相受热管进行建模与MATLAB数值仿真,简化为喷水减温器和末级过热器组合,考虑均匀传热及静态烟气处理。使用MATLAB2022A版本运行,展示自编与内置四阶龙格库塔法的精度对比及误差分析。模型涉及热传递和流体动力学原理,适用于优化锅炉效率。
|
6天前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化(OBNLM)算法实现图像去噪,使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数,研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论,利用块匹配和概率模型优化相似块的加权融合,提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果,验证了算法的有效性。