基于矩阵实现的最短路径算法

桃扇骨 2022-08-10 03:59 130阅读 0赞

# 1.最短路径 #

图中最短路径是指：寻找图（由结点和路径组成的）中两结点之间的权重最小的路径。Wikipedia上最短路径（Shortest Path）的定义如下：

> *In graph theory, the shortest path problem is the problem of finding a path between two vertices (or nodes) in a graph such that the sum of the weights of its constituent edges is minimized.*

# 2.传统算法 #

## 2.1Dijkstra算法 ##

Dijkstra算法是目前公认的求解最短路径的算法。其算法思想是：用指定的起点作为根，生成最短路径树（Shortest Path Tree）。然后利用两个集合，一个是包含最短路径树顶点的集合sptSet，一个是不包含最短路径树的顶点集合U。算法的每一步都将从不包含最短路径树的顶点集合U中找到一个点，使得从起点到它有最短路径。参考网址： [http://www.geeksforgeeks.org/greedy-algorithms-set-6-dijkstras-shortest-path-algorithm/][http_www.geeksforgeeks.org_greedy-algorithms-set-6-dijkstras-shortest-path-algorithm]  
Dijkstra算法的步骤是：

1.  创建一个集合sptSet（Shortest Path Tree Set）,用来记录最短路径树中的点，并且初始化为空。如，起点到哪些点的最短路径计算完成了。
2.  计算图中所有点的距离值，并用无穷大初始化所有距离值。但是，起点的距离值设为0.
3.  当sptSet没有包含图中所有点时，1.从U中选取一个距离起点最小的顶点k，并加入到sptSet中（选定的距离就是v到k的最短路径长度），2.以k为中间点，若从起点到顶点u的距离（经过顶点k）比起点到顶点u的距离（不经过顶点k）短，则修改到顶点u的距离。

![Center][]

## 2.2算法实现 ##

用Python实现的代码：

import numpy as np
    from numpy.random import rand
    
    def init(dimension):
        mat = (rand(dimension, dimension) * dimension ** 2)
        mat[(rand(dimension) * dimension).astype(int), (rand(dimension) * dimension).astype(int)] = np.inf
        for i in range(dimension):
            mat[i, i] = 0
        return mat
    
    #A utility function to find the vertex with minimum distance value, from
    #the set of vertices not yet included in shortest path tree
    def minDistance(distances, sptSet, dimension):
        min = np.inf
        min_index = 0
        for i in range(dimension):
            if((sptSet[i] == False) and (distances[i] < min)):
                min = distances[i]
                min_index = i
        return min_index
    
    def dijkstra(graph, dimension, source = 0):
        sptSet = []
        distances = []
        
        #Initialize all distances as INFINITE and stpSet[] as false
        for i in range(dimension):
            distances.append(np.inf)
            sptSet.append(False)
        #Distance of source vertex from itself is always 0    
        distances[source] = 0
        
        #Find shortest path for all vertices
        for i in range(dimension - 1):
            #Pick the minimum distance vertex from the set of vertices not
            #yet processed. u is always equal to src in first iteration.
            u = minDistance(distances, sptSet, dimension)
            
            #Mark the picked vertex as processed
            sptSet[u] = True
            
            for j in range(dimension):
                if((not sptSet[j]) and (distances[u] + graph[u][j] < distances[j])):
                    distances[j] = distances[u] + graph[u][j]
        return distances
    if __name__ == "__main__":
        dimension = 6
        data = init(dimension)
        data1 = [[0, 7, 9, np.inf, np.inf, 14],
                 [7, 0, 10, 15, np.inf, np.inf],
                 [9, 10, 0, 11, np.inf, 2],
                 [np.inf, 15, 11, 0, 6, 0],
                 [np.inf, np.inf, np.inf, 6, 0, 9],
                 [14, np.inf, 2, np.inf, 9, 0]]
        data3 = [[0, 4, np.inf, np.inf, np.inf, np.inf, np.inf, 8, np.inf],
                [4, 0, 8, np.inf, np.inf, np.inf, np.inf, 11, np.inf],
                [np.inf, 8, 0, 7, np.inf, 4, np.inf, np.inf, 2],
                [np.inf, np.inf, 7, 0, 9, 14, np.inf, np.inf, np.inf],
                [np.inf, np.inf, np.inf, 9, 0, 10, np.inf, np.inf, np.inf],
                [np.inf, np.inf, 4, np.inf, 10, 0, 2, np.inf, np.inf],
                [np.inf, np.inf, np.inf, 14, np.inf, 2, 0, 1, 6],
                [8, 11, np.inf, np.inf, np.inf, np.inf, 1, 0, 7],
                [np.inf, np.inf, 2, np.inf, np.inf, np.inf, 6, 7, 0]]
        print(dijkstra(data1, dimension, 0))

# 3.基于矩阵的实现算法 #

## 3.1算法推导 ##

邻接矩阵的定义形式：对角线元素值为0，即结点i到结点i的最短路径长度为0；非邻结点权值为无穷大，即结点i和结点j非邻结，则邻接矩阵的（i，j）值为无穷大；邻结点权值是权重，即结点i和结点j邻结，则邻接矩阵的（i，j）值为权重，表示如下：

![Center 1][]

而起点向量定义如下：

![Center 2][]

列向量![Center 3][]与邻接矩阵A（N\*N）的第j列相加，然后取最小值，表示经过k条路径到达第j个结点的最短路径，公式表示如下：

![Center 4][]

也可以写成：

![Center 5][]

由此，可以得到通式：

![Center 6][]

## 3.2算法实现 ##

用Python实现的算法代码：

import numpy as np
    from numpy.random import rand
    
    def shortestPath(adjacencyMat, distances, dimension):
    for it in range(dimension):
    #    for i in range(n):
    #    distances[i] = np.min(distances + adjacencyMat[:, i])
        distances = (distances + adjacencyMat).min(axis = 0).reshape(dimension, 1)
    #    print(distances)
    return distances 
    
    #######################################################################################################
    # distances[v] = |0 if v = startVertex
    #                |np.inf otherwise
    # 
    # adjacencyMat[u, v] = |k if u -> v, and weight = k
    #                      |0 if i == j
    #                      |np.inf if u -/> v
    #######################################################################################################
    def init(dimension, startVertex):
        distances = np.zeros((dimension, 1))
        mat = (rand(dimension, dimension) * dimension)
        mat[(rand(dimension) * dimension).astype(int), (rand(dimension) * dimension).astype(int)] = np.inf
        for i in range(dimension):
            distances[i] = np.inf
            mat[i, i] = 0
        distances[startVertex] = 0
        return mat, distances
    
    if __name__ == "__main__":
        startVertex = 0
        dimension = 4
        adjacencyMat, distances = init(dimension, startVertex)
        adjacencyMat2 = np.array([[0,2,4,2],[np.inf,0,1,0],[3,np.inf,0,np.inf],[1,np.inf,2,0]])
        adjacencyMat3 = np.array([[ 0 , 3.08968315, np.inf , np.inf ],
                                  [ 0.21511113 , 0 , 1.52008847 , 3.66431105],
                                  [ 2.50440191 , np.inf , 0 , 3.35943021],
                                  [ 3.84022903 , np.inf , 0.5134998 , 0 ]])
        adjacencyMat4 = np.array([[0,1,2,np.inf],[1,0,2,4],[2,2,0,3],[np.inf,4,3,0]])
        result = shortestPath(adjacencyMat3, distances, dimension)
        print(result.T)

# 4.评价 #

基于矩阵运算实现的图算法，有以下几点优势：

*  易于实现。利用矩阵可以仅仅通过矩阵与矩阵或矩阵与向量的运算就可以实现**一些**图算法。
 *  易于并行。在超大矩阵运算中，可以采用分块的方式平行处理矩阵运算。同理，也可以很容易的移植分布式上（可以参考我的博文***[基于Spark实现的超大矩阵运算][Spark]***）。
 *  效率更高。基于矩阵的图形算法更清晰突出的数据访问模式，可以很容易地优化（实验测试工作已完成）。
 *  易于理解。这个需要对离散数学或者图论有一定基础，知道每一步矩阵运算所对应的物理意义或数学意义。

[http_www.geeksforgeeks.org_greedy-algorithms-set-6-dijkstras-shortest-path-algorithm]: http://www.geeksforgeeks.org/greedy-algorithms-set-6-dijkstras-shortest-path-algorithm/
[Center]: /images/20220731/0aefcc6a92ae4b1aac5f36ab43b7234a.png
[Center 1]: /images/20220731/962b388044d44ee38fa930e9a94be502.png
[Center 2]: /images/20220731/d7256f1070d144348c53b31b73a736da.png
[Center 3]: /images/20220731/4b26a086ae9144b28a1ac34c762b92b6.png
[Center 4]: /images/20220731/e1e68f16d2b548ae8cdaf95dd8feec09.png
[Center 5]: /images/20220731/93a16513072444c19fde2264d1eacd3d.png
[Center 6]: /images/20220731/584eace2e5804a9682dd51dbb693b311.png
[Spark]: http://blog.csdn.net/u010376788/article/details/49764805