现在的公共交通越来越方便，很多城市都有地铁，日常使用的地图App都提供了地铁线路换乘方案的功能，只要输入起点和重点，App就能给出你换乘的方案，可是这个功能背后的算法又是怎么样的呢？
这篇文章将会告诉你。
说到最短路径算法不外乎就是那么几种，广度优先深度优先Dijkstra之类的，这篇博客将会讲述Dijkstra算法，其他的最短路径算法我的其他文章也自己讨论过，在这里不过多说了。写这篇文章主要是因为我看其他的关于讲Dijkstra算法的博客都停留在算法阶段，代码可以用，但是实用价值不多，那么这篇文章会直接带你来实现一个上海地铁换乘规划算法。
数据获取
文章中的所有代码都上传到了GitHub，代码中有一个MetroRequester模块会自动连接上海地铁的官网（http://www.shmetro.com/）来下载所有的站点信息。request_shanghai_metro_data()函数会返回一个StationManager和一个LineManager对象。
StationManager实例是用来获取站点信息的，存放着上海地铁的344个站点和每个站点的地铁线路，比如 人民广场 站有 1，2，8 号地铁线。
LineManager对象存放的的是地铁线路和站点之间的关系，也就是说每条线路有什么站是存在这个对象中的。这个对象提供了一个计算两个直达站点最短需要的站数的函数，比如莘庄到徐家汇，函数会计算出来最短路径为7站，因为可以坐1号线直达，但是不能计算出非直达站点的最短站数，比如莘庄到静安寺，这两站需要乘坐1号线并且换乘其他线路才能到达。
对于单次的路径，我抽象了一个Route类，他的实例储存着起始站，终点站，乘坐的线路，和站数，比如下图对应的实例：代表从徐家汇乘坐1号线经过5站到达人民广场。
图的二维数组展现
那么基础的数据结构已经设计好了，那么现在来开始讲算法吧，首先我们先把问题简化一下吧。暂时只讨论，徐家汇，陕西南路，汉中路，曲阜路四站，用到的地铁线路只有1号线（红色）和12号线（绿色）。
处理路径问题的时候用到的数据结构为图（Graph），那么我们来画出这个图，四个站分别为四个节点，边长代表两个节点之间的站的个数。
下图中左侧就是表达出来的图，可以看到徐家汇是没有办法直答曲阜路的（徐家汇只有1号线，9号线，11号线2；而曲阜路只有8号线和12号线），必须通过换乘地铁才可以。
并且，边长代表到达另一个节点的最短距离，也就是最少需要的站的个数，在这四个站中，陕西南路到达汉中路有两个直达方案：
-
直接乘坐12号线经过南京西路到达汉中路
-
直接乘坐1号线经过黄陂南路，人民广场新闸路到达汉中路
我直接忽略了第二个方案，因为第二个方案不会有人去乘坐的，因为12号线只要坐两站就到而1号线要做4站。
通过左边的图，我们可以使用一个二维数组来表示其中的关系，右边的表可以表示，行代表起始站，列代表终点站。比如第一排第三列代表徐家汇到汉中路要经历7站，第一排第四列代表徐家汇到曲阜路并没有直达方案，所以是一个无限符号，这张表一般被成为临街矩阵，在程序中可以抽象为一个二维数组，我将他称为v_matrix
Dijkstra
Dijkstra是一个最短路径算法，他的核心就是边的松弛。
举一个例子，现在我要计算出来徐家汇到曲阜路的最短路径，那么首先我们要算出徐家汇到所有地方的最短路径。那么首先把表格的第一列拿出来代表徐家汇为起点。在程序中第一列可以抽象为一个1维数组，我将他命名为dis数组，代表distance。
首先找到离徐家汇最近的一个顶点，是陕西南路，那么徐家汇到陕西南路最短距离为3就已经确认，因为陕西南路是离徐家汇最近的一个顶点，所以两点之间不可能存在一个比这3站还近的中专线路，毕竟两点之间线段最短。
然后接下来就是汉中路顶点。我们不妨先看看陕西南路顶点都有哪些边通向别的顶点，陕西南路可以通往汉中路和徐家汇，呢么有没有一种方案能够通过陕西南路来缩短徐家汇直达汉中路的7站距离呢？
通过观察邻接矩阵v_matrix，有的，从徐家汇到陕西南路，再从陕西南路到汉中路只需要走5站，要优于徐家汇直达汉中路的7站，在代码层面这是在比较 dis[2] 与dis[1] + v_matrix[1][2]的大小。
我们发现， dis[2] = 7 , 大于 dis[1] + v_matrix[1][2] = 5于是我们更新dis[2]为5，于是徐家汇到汉中路的最短距离确认为5, 这个过程称之为边的松弛。
同理，我们可以通过判断 dis[2] + v_matrix[2][3] = 6 ，小与代表曲阜路的dis[3] = 无穷大。将曲阜路的路径缩短为6。
至此所徐家汇顶点到其余各顶点的最短路径就求出来了。
更详细一点的讲解可以看这篇文章:
https://www.cnblogs.com/GnibChen/p/8875247.html
代码的实现
上面就是基本的算法，可是如果dis数组和v_matrix邻接矩阵中只有一个整数代表最短距离的话，这段代码还是没什么用的，我想知道徐家汇到曲阜路怎么走，如果像上面那样编程的话程序只会告诉我最短距离为6站，没有任何用途。
所以为了实现能够让程序记住换乘的路径，我抽象出了一开始提到的Route对象，代表一个直达的路径，在v_matrix数组中的每一个元素都是一个Route对象实例，当可以直达的时候，这个实例的stops为最短的站数，当不可以直达的时候stops为9999代表无限大。
并且dis数组也不是只保存了松弛过后边的长度，而是保存了一个键值对，key为最短边的长度，value为一个数组，储存着若干个Route实例，遍历这个数组即可得到所有的换乘方案。比如下图的结构代表从徐家汇到上海科技馆的换乘方案，要经历10站，先做11号线到江苏路，再从江苏路换乘2号线到上海科技馆。
其余的代码直接在Github上看，不做多余的讲解了。
优化
上面其实就是Dijkstra的核心了，不过，要是凭着上面的讲解真的能够写出足够优秀的地铁换乘规划算法吗？
答案是否定的，上面讲解到通过松弛将徐家汇到汉中路的站数缩短到了5站，代价是换乘一次，本来徐家汇是可以乘坐1号线直达汉中路的，只是多了两站而已，但是我们的算法却偏偏选择了换乘。在真实生活中，我是不会去为了少两站换乘的，毕竟换乘还要等下一班地铁还要走很多路，陕西南路1号线换乘10号线或者12号线可有你走的了。
同样再试一下莘庄到汉中路，这两个站是可以通过一号线直达的。跑一下程序：
可以看到算法并没有给出一号线直达的方案，而是选择了换乘两次，所以这样算出来的方案非常不切实际，归根究底，我们没有考虑到换乘的巨大代价。
所以我引入了一个偏执值bias来表示换乘的代价，我将他设置为3，代表换乘一次和坐三站花费的时间等价。
回到徐家汇到汉中路的问题，在上文我是这么写的：
dis[2] = 7 , 大于 dis[1] + v_matrix[1][2] = 5于是我们更新dis[2]为5
这次计算我们引入bias为3
dis[2] = 7 ； dis[1] + v_matrix[1][2] + bias = 8, 可以看到在比较的时候引入一个bias值导致这次计算出来直达的7站是一个最优方案，因为换乘的边长由5变成了8。
通过这个右滑，来再看看莘庄到汉中路的方案：
这一次算法给出了合理的最优方案。
当然这样可能也不太完美，因为对于顶点之间的边长，我仅仅是使用了站点数来表示，如果用真实距离来表示会更加精准，或者用不同的站到不同的站的经历时间来表示长短也是不错的选择。
尾巴
那么换乘算法已经有了，你有没有想过地图App是怎么确定你周围最近的地铁站的呢？没有想法的同学可以看我几年前写过的博客：周围的餐馆有哪些？GeoHash算法
