多段图算法

简介: COST(i,j)=min{c(j,v) + COST(i+1,v)}   (v∈Vk+1,∈E) COST(3,6) = min{6+COST(4,9), 5+COST(4,10)} = 7 (已知COST(4,9)=4,COST(4,10)=2)COST(3,7) = min{4+COST...

COST(i,j)=min{c(j,v) + COST(i+1,v)}
  (v∈Vk+1,<j,v>∈E)

COST(3,6) = min{6+COST(4,9), 5+COST(4,10)} = 7 (已知COST(4,9)=4,COST(4,10)=2)
COST(3,7) = min{4+COST(4,9), 3+COST(4,10)}= 5
COST(3,8) = 7
COST(2,2) = min{4+COST(3,6), 2+COST(3,7), 1+COST(3,8)}= 7
COST(2,3) = 9
COST(2,4) = 18
COST(2,5) = 15
COST(1,1) = min{9+COST(2,2), 7+COST(2,3),3+COST(2,4), 2+COST(2,5)}= 16
于是,由s到t的最小成本路径的成本为16。

 

多段图的向前处理算法:
line void FGraph (edgeType E, int k, int n, int P[]) {
//输人按段顺序给结点编号的有n个结点的k段图。E是边集,
//c(i,j)是边<i,j>的成本。P(1:k)是最小成本路径。

1 float COST[n];int D[n-1], r, j;
2 COST[n]=03 for(j=n-1;j>=1;--j) { //计算COST(j)
4 设r是一个这样的结点,<i,j>∈E且使c(j,r)+COST[r]取最小值;
5 COST[j] = c[j,r] + COST[r];
6 D[j]=r;
7 };//找一条最小成本路径
8 P[1]=1;p[k]=n;
9 for(j=2;j<=k-1;++j){ //找路径上的第j个结点
10 P[j] = D[P[j-l]];
11 };//for
12 }//FGraph

  如果G用邻接表表示,那么第4行的r可以在与结点j的度成正比的时间内算出。因此,如果G有e条边,则第3~7行的for循环的时间是Θ(n+e),第9~11行的for循环时间是Θ(k)。总的计算时间在Θ(n+e)以内。除了输人所需要的空间外,还需要给COST,D和P分配空间。

 

BCOST(i,j)=min{BCOST(i-1,v)+c(v,j)}

  (v∈Vi-1,<v , j>∈E)

BCOST(3,6) = min{BCOST(2,2)+4,BCOST(2,3)+2}= 9
BCOST(3,7) = 11
BCOST(3,8) = 10
BCOST(4,9) = min{BCOST(3,6)+6,BCOST(3,7)+4}= 15
BCOST(4,10) = min{COST(3,6)+5,BCOST(3,7)+3,BCOST(3,8)+5}=14
BCOST(4,11) = 16
BCOST(5,12) = min{BCOST(4,9)+4,BCOST(4,10)+2,BCOST(4,11)+5}=16

 获取s到t的一条最小成本路径的向后处理算法是函数BGraph。它与FGraph一样,略去了BCOST,P和D的第一个下标。只要G用它的逆邻接表表示,即对于每一个结点v,有一个使得<w,v>∈E的结点w的链接表。

 

多段图的向后处理算法:

Line void BGRAPH(edgeType E, int k, int n, int BP[]) {
//和FGraph功能相同
float BCOST[n];int D[n-1],r,j;

1 BCOST[1] = 02 For(j=2;j<=n;++j) { 计算BCOST(j)
3 设r是一个这样的结点,<i,j>∈E且使BCOST[r]+c[r,j]取最小值;
4 BCOST[j] = BCOST[r] + c[r,j];
5 D[j] = r;
6 };//for
//找一条最小成本路径
7 BP[1] = 1;BP[k] = n;
8 for(j=k-1;j>=2;--j) {//找路径上的第j个结点
9 BP[j]=D[BP[j+1]]
10 };//for
11 }//BGraph

不难看出,即使对多段图的更一般形式,即图中允许有这样的边<u,v>,其中u∈Vi,v∈Vj且i<j,FGraph和BGraph都能正确地运行。

 

 

 

 

相关文章
|
6月前
|
缓存 Java 编译器
|
存储 分布式计算 物联网
Apache IoTDB进行IoT相关开发实践
The article introduces IoTDB, an open-source time-series database designed for efficient management of IoT-generated data. It addresses challenges like real-time integration of massive datasets and security. IoTDB supports high-performance storage,
363 0
Apache IoTDB进行IoT相关开发实践
|
开发框架 安全 网络安全
【Docker 专栏】Docker 多平台应用构建与部署
【5月更文挑战第8天】Docker作为一种关键的容器化技术,简化了多平台应用的构建与部署。它提供一致的运行环境,确保应用在不同平台无缝运行;通过分层构建机制加速镜像创建,提升开发效率。Docker的可移植性、高效部署及资源利用率是其主要优势。流程包括开发环境准备、构建镜像、测试验证及部署。然而,面临操作系统差异、网络安全和资源限制等挑战,需注意安全、版本管理和性能优化。Docker在多平台场景的应用将持续发挥价值。
289 6
【Docker 专栏】Docker 多平台应用构建与部署
|
Python
python 中列表和元组的解包
【6月更文挑战第17天】
234 1
|
NoSQL Java Redis
【Spring Boot 源码学习】RedisAutoConfiguration 详解
本篇 Huazie 带大家一起从源码深入了解 RedisAutoConfiguration 配置类
294 2
【Spring Boot 源码学习】RedisAutoConfiguration 详解
|
机器学习/深度学习 数据采集 运维
基于机器学习的智能运维:提升系统稳定性与效率
在数字化时代,随着企业对信息技术系统的依赖日益加深,传统的运维模式已难以满足现代业务需求。本文探讨了如何通过机器学习技术优化运维流程,实现故障预测、自动化处理和性能优化,从而提升系统的稳定性和效率。文章首先概述了智能运维的概念及其重要性,随后深入分析了机器学习在故障检测、自动化运维和性能优化方面的应用案例,并讨论了实施智能运维时面临的挑战及应对策略。最后,通过数据支持的分析,展示了智能运维带来的效益,为运维领域的专业人士提供了一种前沿的技术视角和实践指南。
379 27
|
SQL 缓存 NoSQL
乐观锁的实现
乐观锁的实现
211 4
|
Linux 数据安全/隐私保护 C++
如何使用Cython对python脚本加密成pyd/so
如何使用Cython对python脚本加密成pyd/so
490 0
如何使用Cython对python脚本加密成pyd/so
|
Java Linux Shell
docker 打包 springboot 项目快速入门
docker 打包 springboot 项目快速入门
173 0