C++计算任意权值的单源最短路径(Bellman-Ford)

本文实例为大家分享了C++计算任意权值单源最短路径的具体代码,供大家参考,具体内容如下

一、有Dijkstra算法求最短路径了,为什么还要用Bellman-Ford算法

Dijkstra算法不适合用于带有负权值的有向图。

如下图:

用Dijkstra算法求顶点0到各个顶点的最短路径:

(1)首先,把顶点0添加到已访问顶点集合S中,选取权值最小的邻边<0, 2>,权值为5

记录顶点2的最短路径为:dist[2]=5, path[2]=0,把顶点2添加到集合S中。

顶点2,没有邻边(从顶点2出发,其他顶点为终点的边),结束;

(2)访问<0, 1>边,权值为7,把顶点7添加到顶点集合S中,dist[1]=7, path[1]=0。

虽然,顶点1有邻边<1,2>,但是因为顶点2已在集合S中,所以,不继续修改,结束程序。

所以,最终dist[1]=7,dist[2]=5。显然结果不对,顶点2的最短路径应为:0->1->2,权值为7+(-5)=2

二、Bellman-Ford算法思路:

Bellman-Ford算法,效率低,但是适合用于求带有负权值的单源最短路径。

不考虑有回路的,如下图,顶点0到顶点1的最短路径可以无穷小

下面开始简单描述Bellman-Ford的思路:

 

可以,看到:通过绕过一些顶点,可以取得更短的路径长度

当k=1时,即从源点(顶点0)到其他顶点,只需要一条边。有<0,1>、<0,2>、<0,3>,所以有:dist[1]=6,dist[2]=5,dist[3]=5;

当k=2时,需要2条边的,u=1,有0->2->3,长度为:5+(-2)=3, 更短,所以要修改dist[1]=3;

u=2,有:0->3->2,长度为:5+(-2)=3,更短,所以要修改dist[2]=3;

u=3,没有两条边从顶点0到达顶点3的路径;

u=4,有0->1->4,长度为:6+(-1)=5, 更短,所以要修改dist[4]=5;

u=5,有0->3->5,长度为:5+(-1)=4,更短,所以要修改dist[5]=4;

u=6,没有2条边就可以从顶点0到顶点6的路径。

重复上面步骤,直到k=n-1结束程序。

三、实现程序:

1.Graph.h:有向图

#ifndef Graph_h
#define Graph_h

#include <iostream>
using namespace std;

const int DefaultVertices = 30;

template <class T, class E>
struct Edge { // 边结点的定义
  int dest; // 边的另一顶点位置
  E cost; // 表上的权值
  Edge<T, E> *link; // 下一条边链指针
};

template <class T, class E>
struct Vertex { // 顶点的定义
  T data; // 顶点的名字
  Edge<T, E> *adj; // 边链表的头指针
};

template <class T, class E>
class Graphlnk {
public:
  const E maxValue = 100000; // 代表无穷大的值(=∞)
  Graphlnk(int sz=DefaultVertices); // 构造函数
  ~Graphlnk(); // 析构函数
  void inputGraph(); // 建立邻接表表示的图
  void outputGraph(); // 输出图中的所有顶点和边信息
  T getValue(int i); // 取位置为i的顶点中的值
  E getWeight(int v1, int v2); // 返回边(v1, v2)上的权值
  bool insertVertex(const T& vertex); // 插入顶点
  bool insertEdge(int v1, int v2, E weight); // 插入边
  bool removeVertex(int v); // 删除顶点
  bool removeEdge(int v1, int v2); // 删除边
  int getFirstNeighbor(int v); // 取顶点v的第一个邻接顶点
  int getNextNeighbor(int v,int w); // 取顶点v的邻接顶点w的下一邻接顶点
  int getVertexPos(const T vertex); // 给出顶点vertex在图中的位置
  int numberOfVertices(); // 当前顶点数
private:
  int maxVertices; // 图中最大的顶点数
  int numEdges; // 当前边数
  int numVertices; // 当前顶点数
  Vertex<T, E> * nodeTable; // 顶点表(各边链表的头结点)
};

// 构造函数:建立一个空的邻接表
template <class T, class E>
Graphlnk<T, E>::Graphlnk(int sz) {
  maxVertices = sz;
  numVertices = 0;
  numEdges = 0;
  nodeTable = new Vertex<T, E>[maxVertices]; // 创建顶点表数组
  if(nodeTable == NULL) {
    cerr << "存储空间分配错误!" << endl;
    exit(1);
  }
  for(int i = 0; i < maxVertices; i++)
    nodeTable[i].adj = NULL;
}

// 析构函数
template <class T, class E>
Graphlnk<T, E>::~Graphlnk() {
  // 删除各边链表中的结点
  for(int i = 0; i < numVertices; i++) {
    Edge<T, E> *p = nodeTable[i].adj; // 找到其对应链表的首结点
    while(p != NULL) { // 不断地删除第一个结点
      nodeTable[i].adj = p->link;
      delete p;
      p = nodeTable[i].adj;
    }
  }
  delete []nodeTable; // 删除顶点表数组
}

// 建立邻接表表示的图
template <class T, class E>
void Graphlnk<T, E>::inputGraph() {
  int n, m; // 存储顶点树和边数
  int i, j, k;
  T e1, e2; // 顶点
  E weight; // 边的权值

  cout << "请输入顶点数和边数:" << endl;
  cin >> n >> m;
  cout << "请输入各顶点:" << endl;
  for(i = 0; i < n; i++) {
    cin >> e1;
    insertVertex(e1); // 插入顶点
  }

  cout << "请输入图的各边的信息:" << endl;
  i = 0;
  while(i < m) {
    cin >> e1 >> e2 >> weight;
    j = getVertexPos(e1);
    k = getVertexPos(e2);
    if(j == -1 || k == -1)
      cout << "边两端点信息有误,请重新输入!" << endl;
    else {
      insertEdge(j, k, weight); // 插入边
      i++;
    }
  } // while
}

// 输出有向图中的所有顶点和边信息
template <class T, class E>
void Graphlnk<T, E>::outputGraph() {
  int n, m, i;
  T e1, e2; // 顶点
  E weight; // 权值
  Edge<T, E> *p;

  n = numVertices;
  m = numEdges;
  cout << "图中的顶点数为" << n << ",边数为" << m << endl;
  for(i = 0; i < n; i++) {
    p = nodeTable[i].adj;
    while(p != NULL) {
      e1 = getValue(i); // 有向边<i, p->dest>
      e2 = getValue(p->dest);
      weight = p->cost;
      cout << "<" << e1 << ", " << e2 << ", " << weight << ">" << endl;
      p = p->link; // 指向下一个邻接顶点
    }
  }
}

// 取位置为i的顶点中的值
template <class T, class E>
T Graphlnk<T, E>::getValue(int i) {
  if(i >= 0 && i < numVertices)
    return nodeTable[i].data;
  return NULL;
}

// 返回边(v1, v2)上的权值
template <class T, class E>
E Graphlnk<T, E>::getWeight(int v1, int v2) {
  if(v1 != -1 && v2 != -1) {
    if(v1 == v2) // 说明是同一顶点
      return 0;
    Edge<T , E> *p = nodeTable[v1].adj; // v1的第一条关联的边
    while(p != NULL && p->dest != v2) { // 寻找邻接顶点v2
      p = p->link;
    }
    if(p != NULL)
      return p->cost;
  }
  return maxValue; // 边(v1, v2)不存在,就存放无穷大的值
}

// 插入顶点
template <class T, class E>
bool Graphlnk<T, E>::insertVertex(const T& vertex) {
  if(numVertices == maxVertices) // 顶点表满,不能插入
    return false;
  nodeTable[numVertices].data = vertex; // 插入在表的最后
  numVertices++;
  return true;
}

// 插入边
template <class T, class E>
bool Graphlnk<T, E>::insertEdge(int v1, int v2, E weight) {
  if(v1 == v2) // 同一顶点不插入
    return false;
  if(v1 >= 0 && v1 < numVertices && v2 >= 0 && v2 < numVertices) {
    Edge<T, E> *p = nodeTable[v1].adj; // v1对应的边链表头指针
    while(p != NULL && p->dest != v2) // 寻找邻接顶点v2
      p = p->link;
    if(p != NULL) // 已存在该边,不插入
      return false;
    p = new Edge<T, E>; // 创建新结点
    p->dest = v2;
    p->cost = weight;
    p->link = nodeTable[v1].adj; // 链入v1边链表
    nodeTable[v1].adj = p;
    numEdges++;
    return true;
  }
  return false;
}

// 有向图删除顶点较麻烦
template <class T, class E>
bool Graphlnk<T, E>::removeVertex(int v) {
  if(numVertices == 1 || v < 0 || v > numVertices)
    return false; // 表空或顶点号超出范围

  Edge<T, E> *p, *s;
  // 1.清除顶点v的边链表结点w 边<v,w>
  while(nodeTable[v].adj != NULL) {
    p = nodeTable[v].adj;
    nodeTable[v].adj = p->link;
    delete p;
    numEdges--; // 与顶点v相关联的边数减1
  } // while结束
  // 2.清除<w, v>,与v有关的边
  for(int i = 0; i < numVertices; i++) {
    if(i != v) { // 不是当前顶点v
      s = NULL;
      p = nodeTable[i].adj;
      while(p != NULL && p->dest != v) {// 在顶点i的链表中找v的顶点
        s = p;
        p = p->link; // 往后找
      }
      if(p != NULL) { // 找到了v的结点
        if(s == NULL) { // 说明p是nodeTable[i].adj
          nodeTable[i].adj = p->link;
        } else {
          s->link = p->link; // 保存p的下一个顶点信息
        }
        delete p; // 删除结点p
        numEdges--; // 与顶点v相关联的边数减1
      }
    }
  }
  numVertices--; // 图的顶点个数减1
  nodeTable[v].data = nodeTable[numVertices].data; // 填补,此时numVertices,比原来numVertices小1,所以,这里不需要numVertices-1
  nodeTable[v].adj = nodeTable[numVertices].adj;
  // 3.要将填补的顶点对应的位置改写
  for(int i = 0; i < numVertices; i++) {
    p = nodeTable[i].adj;
    while(p != NULL && p->dest != numVertices) // 在顶点i的链表中找numVertices的顶点
      p = p->link; // 往后找
    if(p != NULL) // 找到了numVertices的结点
      p->dest = v; // 将邻接顶点numVertices改成v
  }
  return true;
}

// 删除边
template <class T, class E>
bool Graphlnk<T, E>::removeEdge(int v1, int v2) {
  if(v1 != -1 && v2 != -1) {
    Edge<T, E> * p = nodeTable[v1].adj, *q = NULL;
    while(p != NULL && p->dest != v2) { // v1对应边链表中找被删除边
      q = p;
      p = p->link;
    }
    if(p != NULL) { // 找到被删除边结点
      if(q == NULL) // 删除的结点是边链表的首结点
        nodeTable[v1].adj = p->link;
      else
        q->link = p->link; // 不是,重新链接
      delete p;
      return true;
    }
  }
  return false; // 没有找到结点
}

// 取顶点v的第一个邻接顶点
template <class T, class E>
int Graphlnk<T, E>::getFirstNeighbor(int v) {
  if(v != -1) {
    Edge<T, E> *p = nodeTable[v].adj; // 对应链表第一个边结点
    if(p != NULL) // 存在,返回第一个邻接顶点
      return p->dest;
  }
  return -1; // 第一个邻接顶点不存在
}

// 取顶点v的邻接顶点w的下一邻接顶点
template <class T, class E>
int Graphlnk<T, E>::getNextNeighbor(int v,int w) {
  if(v != -1) {
    Edge<T, E> *p = nodeTable[v].adj; // 对应链表第一个边结点
    while(p != NULL && p->dest != w) // 寻找邻接顶点w
      p = p->link;
    if(p != NULL && p->link != NULL)
      return p->link->dest; // 返回下一个邻接顶点
  }
  return -1; // 下一个邻接顶点不存在
}

// 给出顶点vertex在图中的位置
template <class T, class E>
int Graphlnk<T, E>::getVertexPos(const T vertex) {
  for(int i = 0; i < numVertices; i++)
    if(nodeTable[i].data == vertex)
      return i;
  return -1;
}

// 当前顶点数
template <class T, class E>
int Graphlnk<T, E>::numberOfVertices() {
  return numVertices;
}

#endif /* Graph_h */

2.Bellman-Ford.h

#ifndef Bellman_Ford_h
#define Bellman_Ford_h
#include "Graph.h"

// Bellman-Ford算法
template<class T, class E>
void BellmanFord(Graphlnk<T, E> &G, int v, E dist[], int path[]) {
  int i, k, u, n = G.numberOfVertices();
  E w;

  // 1.初始化,将顶点v作为u顶点(存在<v, u>有向边)的上一个顶点,记录路径
  for(i = 0; i < n; i++) {
    dist[i] = G.getWeight(v, i);
    if(i != v && dist[i] < G.maxValue)
      path[i] = v;
    else
      path[i] = -1;
  }
  // 2.迭代求解:反复对边集E中的每条边进行松弛操作,使得顶点集V中的每个顶点的最短距离估计值逐步逼近其最短距离;(运行n-1次,因为上面算是1次:k=1,所以,k从2开始)
  bool isFlag; // 监视该轮dist数组是否有变化
  for(k = 2; k < n; k++) {
    isFlag = false;
    for(u = 0; u < n; u++) { // 遍历顶点,找不是v的顶点
      if(u != v) {
        for(i = 0; i < n; i++) {
          w = G.getWeight(i, u);
          if(w != 0 && w < G.maxValue && dist[u] > dist[i] + w) {
            // 存在<i, u>边,并且绕过i,使得路径更短,就修改u顶点的最短路径
            // w可能是负权值,如果i和u是同一顶点,则w是0,排除同一顶点的情况
            // 也可以不写w!=0,因为同一顶点,w=0,dist[u]==dist[i]+w会不满足
            // dist[u] > dist[i] + w这个条件
            dist[u] = dist[i] + w;
            path[u] = i; // 记忆路径
            isFlag = true;
          }
        } // 第3重循环
      }
    } // 第2重循环
    if(isFlag == false) // 如果dist数组没有变化,说明各个顶点已求得最短路径
      break;
  } // 第1重for循环
}

// 从path数组读取最短路径的算法
template <class T, class E>
void printShortestPath(Graphlnk<T, E> &G, int v, E dist[], int path[]) {
  int i, j, k, n = G.numberOfVertices();
  int *d = new int[n];

  cout << "从顶点" << G.getValue(v) << "到其他各顶点的最短路径为:" << endl;
  for(i = 0; i < n; i++) {
    if(i != v) { // 如果不是顶点v
      j = i;
      k = 0;
      while(j != v) {
        d[k++] = j;
        j = path[j];
      }
      cout << "顶点" << G.getValue(i) << "的最短路径为:" << G.getValue(v);
      while(k > 0)
        cout << "->" << G.getValue(d[--k]);
      cout << ",最短路径长度为:" << dist[i] << endl;
    }
  }
}
#endif /* Bellman_Ford_h */

3.main.cpp

/*
 测试数据:
 7 10
 0 1 2 3 4 5 6
 0 1 6
 0 2 5
 0 3 5
 1 4 -1
 2 1 -2
 2 4 1
 3 2 -2
 3 5 -1
 4 6 3
 5 6 3
 */

#include "Bellman-Ford.h"

const int maxSize = 40;

int main(int argc, const char * argv[]) {
  Graphlnk<char, int> G; // 声明图对象
  int dist[maxSize], path[maxSize], v;
  char u0;

  // 创建图
  G.inputGraph();
  cout << "图的信息如下:" << endl;
  G.outputGraph();
  cout << "请输入起始顶点u0:" << endl;
  cin >> u0;
  v = G.getVertexPos(u0); // 取得起始顶点的位置
  // 我把dist数组放到有向图头文件中,方便建立有向图时,同时初始化dist数组
  BellmanFord(G, v, dist, path); // 调用BellmanFord函数
  printShortestPath(G, v, dist, path); // 输出到各个顶点的最短路径
  return 0;
}

测试结果:

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我们。

(0)

相关推荐

  • C++求所有顶点之间的最短路径(用Dijkstra算法)

    本文实例为大家分享了C++求所有顶点之间最短路径的具体代码,供大家参考,具体内容如下 一.思路: 不能出现负权值的边 (1)轮流以每一个顶点为源点,重复执行Dijkstra算法n次,就可以求得每一对顶点之间的最短路径及最短路径长度,总的执行时间为O(n的3次方) (2)另一种方法:用Floyd算法,总的执行时间为O(n的3次方)(另一文章会写) 二.实现程序: 1.Graph.h:有向图 #ifndef Graph_h #define Graph_h #include <iostream> u

  • C++所有顶点之间的最短路径

    本文实例为大家分享了C++所有顶点之间最短路径的具体代码,供大家参考,具体内容如下 一.思路: 不能出现负权值的边 用Floyd算法,总的执行时间为O(n的3次方) k从顶点0一直到顶点n-1, 如果,有顶点i到顶点j之间绕过k,使得两顶点间的路径更短,即dist[i][k] + dist[k][j] < dist[i][j],则修改:dist[i][j] 如:(1)当k=0时, 顶点2绕过顶点0到达顶点1,使得路径为:3+1 < dist[2][1],所以,要修改dist[2][1]=4,同

  • C++实现多源最短路径之Floyd算法示例

    本文实例讲述了C++实现多源最短路径之Floyd算法.分享给大家供大家参考,具体如下: #include<cstdio> #include<cstring> #include<iostream> #define MAX 999 using namespace std; int n,m; int e[MAX][MAX]; void Init() { for(int i=1; i<=n; ++i) for(int j=1; j<=n; ++j) { if(i==

  • Dijkstra算法最短路径的C++实现与输出路径

    某个源点到其余各顶点的最短路径 这个算法最开始心里怕怕的,不知道为什么,花了好长时间弄懂了,也写了一遍,又遇到时还是出错了,今天再次写它,心里没那么怕了,耐心研究,懂了之后会好开心的,哈哈 Dijkstra算法: 图G 如图:若要求从顶点1到其余各顶点的最短路径,该咋求: 迪杰斯特拉提出"按最短路径长度递增的次序"产生最短路径. 首先,在所有的这些最短路径中,长度最短的这条路径必定只有一条弧,且它的权值是从源点出发的所有弧上权的最小值,例如:在图G中,从源点1出发有3条弧,其中以弧(1

  • c++查询最短路径示例

    复制代码 代码如下: //shortest_path.c#include<stdio.h>#include<stdlib.h>//用file#include<string.h>//可用gets(),puts()#include"shortest_path.h"#define MAX 32767#define MENU "欢迎进入导航系统!\n==========菜单===========\n0.载入北外地图\n1.建立地图\n2.查询最短路

  • C++用Dijkstra(迪杰斯特拉)算法求最短路径

    算法介绍 迪杰斯特拉算法是由荷兰计算机科学家狄克斯特拉于1959 年提出的,因此又叫狄克斯特拉算法.是从一个顶点到其余各顶点的最短路径算法,解决的是有向图中最短路径问题.迪杰斯特拉算法主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止.Dijkstra算法能得出最短路径的最优解,但由于它遍历计算的节点很多,所以效率低. 算法思想 按路径长度递增次序产生算法: 把顶点集合V分成两组: (1)S:已求出的顶点的集合(初始时只含有源点V0) (2)V-S=T:尚未确定的顶点集合 将T中顶点按递增

  • C++计算任意权值的单源最短路径(Bellman-Ford)

    本文实例为大家分享了C++计算任意权值单源最短路径的具体代码,供大家参考,具体内容如下 一.有Dijkstra算法求最短路径了,为什么还要用Bellman-Ford算法 Dijkstra算法不适合用于带有负权值的有向图. 如下图: 用Dijkstra算法求顶点0到各个顶点的最短路径: (1)首先,把顶点0添加到已访问顶点集合S中,选取权值最小的邻边<0, 2>,权值为5 记录顶点2的最短路径为:dist[2]=5, path[2]=0,把顶点2添加到集合S中. 顶点2,没有邻边(从顶点2出发,

  • java实现单源最短路径

    本文采用java实现单源最短路径,并带有略微详细的注解,供大家参考,具体内容如下 package com.qf.greaph; import java.util.ArrayList; import java.util.Arrays; import java.util.HashMap; import java.util.Map; import java.util.Map.Entry; /** * @author jiayoo * 7 / 30 * Dijkstra最短路径算法是一种单源最短路径 *

  • java使用Dijkstra算法实现单源最短路径

    单源最短路径问题,即在图中求出给定顶点到其它任一顶点的最短路径.在弄清楚如何求算单源最短路径问题之前,必须弄清楚最短路径的最优子结构性质. 一.最短路径的最优子结构性质 该性质描述为:如果P(i,j)={Vi....Vk..Vs...Vj}是从顶点i到j的最短路径,k和s是这条路径上的中间顶点,那么P(k,s)必定是从k到s的最短路径.下面证明该性质的正确性. 假设P(i,j)={Vi....Vk..Vs...Vj}是从顶点i到j的最短路径,则有P(i,j)=P(i,k)+P(k,s)+P(s,

  • Python实现计算圆周率π的值到任意位的方法示例

    本文实例讲述了Python实现计算圆周率π的值到任意位的方法.分享给大家供大家参考,具体如下: 一.需求分析 输入想要计算到小数点后的位数,计算圆周率π的值. 二.算法:马青公式 π/4=4arctan1/5-arctan1/239 这个公式由英国天文学教授约翰·马青于1706年发现.他利用这个公式计算到了100位的圆周率.马青公式每计算一项可以得到1.4位的十进制精度.因为它的计算过程中被乘数和被除数都不大于长整数,所以可以很容易地在计算机上编程实现. 三.python语言编写出求圆周率到任意

  • 对Tensorflow中权值和feature map的可视化详解

    前言 Tensorflow中可以使用tensorboard这个强大的工具对计算图.loss.网络参数等进行可视化.本文并不涉及对tensorboard使用的介绍,而是旨在说明如何通过代码对网络权值和feature map做更灵活的处理.显示和存储.本文的相关代码主要参考了github上的一个小项目,但是对其进行了改进. 原项目地址为(https://github.com/grishasergei/conviz). 本文将从以下两个方面进行介绍: 卷积知识补充 网络权值和feature map的可

  • TensorFlow的权值更新方法

    一. MovingAverage权值滑动平均更新 1.1 示例代码: def create_target_q_network(self,state_dim,action_dim,net): state_input = tf.placeholder("float",[None,state_dim]) action_input = tf.placeholder("float",[None,action_dim]) ema = tf.train.ExponentialMo

  • 使用keras实现孪生网络中的权值共享教程

    首先声明,这里的权值共享指的不是CNN原理中的共享权值,而是如何在构建类似于Siamese Network这样的多分支网络,且分支结构相同时,如何使用keras使分支的权重共享. Functional API 为达到上述的目的,建议使用keras中的Functional API,当然Sequential 类型的模型也可以使用,本篇博客将主要以Functional API为例讲述. keras的多分支权值共享功能实现,官方文档介绍 上面是官方的链接,本篇博客也是基于上述官方文档,实现的此功能.(插

  • pytorch权值初始化weight initilzation

    目录 pytorch中的权值初始化 pytorch中的权值初始化 官方论坛对weight-initilzation的讨论 torch.nn.Module.apply(fn) torch.nn.Module.apply(fn) # 递归的调用weights_init函数,遍历nn.Module的submodule作为参数 # 常用来对模型的参数进行初始化 # fn是对参数进行初始化的函数的句柄,fn以nn.Module或者自己定义的nn.Module的子类作为参数 # fn (Module ->

  • php计算数组相同值出现次数的代码(array_count_values)

    php计算数组相同值出现次数,可以使用php自带函数array_count_values : 说明 array array_count_values ( array $input )array_count_values() 返回一个数组,该数组用 input 数组中的值作为键名,该值在 input 数组中出现的次数作为值. array_count_values() 例子 复制代码 代码如下: <?php $array = array(1, "hello", 1, "wo

  • C#中 城市线路图的纯算法以及附带求极权值

    之前看了很多关于图的遍历的代码 今天我用了常用的数据结构写出来 纯属于算法 性方面还有待提高 时间复杂度最坏情况下O(2^n)  最优:O(n^2) 线路图为双向 带有权值  比如A-B距离是5000km 那么B-A有可能不是5000km 所以我在LoadData方法时候没做交换变量直接存放在集合里面 以起点递归查找下一连接点并返回当作起点节点查找      代码虽然有些乱 本想调整 ! 复制代码 代码如下: static List<string[]> maindata = null;    

随机推荐