• 浙大陈越何钦铭数据结构07-图6 旅游规划【最小堆实现】


    题目:

    题目和浙大陈越何钦铭数据结构07-图6 旅游规划是一样的,不同的是用最小堆实现函数【FindMinDist】。

    时间复杂度对比:
    浙大陈越何钦铭数据结构07-图6 旅游规划
    创建图(CreateGraph):时间复杂度为O(N^2),因为需要使用两层循环初始化邻接矩阵。
    插入边(InsertEdge):时间复杂度为O(1),因为只是将边的距离和代价插入到邻接矩阵中。
    构建图(BuildGraph):时间复杂度为O(E),其中E为边的个数。需要进行E次的边的插入操作。
    查找未被收录顶点中dist最小者(FindMinDist):时间复杂度为O(N),需要遍历所有未收录的顶点,查找其中dist最小的顶点。
    Dijkstra算法主循环:时间复杂度为O(N^2),每次循环都需要找到未收录顶点中dist最小的顶点,并更新其周围顶点的dist和cost值。
    综上所述,整个算法的时间复杂度为O(N^2)。

    堆实现代码:
    如果将 FindMinDist 函数使用最小堆实现,会使得 Dijkstra 算法的时间复杂度变为 O((N + E)logN),其中 N 为顶点数,E 为边数。
    具体分析如下:
    创建图(CreateGraph):时间复杂度仍为 O(N^2),与之前相同。
    插入边(InsertEdge):时间复杂度仍为 O(1),与之前相同。
    构建图(BuildGraph):时间复杂度仍为 O(E),与之前相同。
    查找未被收录顶点中dist最小者(FindMinDist):使用最小堆实现后,每次查找最小值的时间复杂度为 O(logN),总共需要进行 N 次查找,因此时间复杂度为 O(NlogN)。
    Dijkstra算法主循环:在每个节点更新最短路径时,需要将其邻接节点的信息插入最小堆中,插入一个节点的时间复杂度为 O(logN),总共需要插入 E 个节点,因此时间复杂度为 O(ElogN)。同时,在每个节点更新最短路径时,还需要进行一次堆操作,将堆中的最小值取出,时间复杂度为 O(logN),总共需要进行 N 次堆操作,因此时间复杂度为 O(NlogN)。
    综上所述,使用最小堆实现的 Dijkstra 算法的时间复杂度为 O((N + E)logN)。相比于之前的 O(N^2),当图的规模较大时,使用最小堆可以提高算法的效率。

    代码:

    #include 
    #include 
    #include 
    
    #define MAX_VERTEX_NUM 500
    #define MAX_DIST 501
    #define MAX_COST 501
    #define ERROR -1
    #define MIN_DATA -1000
    
    typedef int ELEMENT_TYPE;
    typedef int Vertex;
    
    struct _MinHeap
    {
        ELEMENT_TYPE *Elements;
        int Size;
        int Capacity;
    };
    typedef struct _MinHeap *MinHeap;
    
    struct _Edge
    {
        Vertex V, W;
        int dist, cost;
    };
    typedef struct _Edge *Edge;
    
    struct _MGraph
    {
        int Nv, Ne;
        int dist[MAX_VERTEX_NUM][MAX_VERTEX_NUM];
        int cost[MAX_VERTEX_NUM][MAX_VERTEX_NUM];
    };
    typedef struct _MGraph *MGraph; /* 以邻接矩阵存储的图的类型  */
    
    void InsertEdge(MGraph G, Edge E); // 插入边
    MGraph CreateGraph(int vertexNum); // 初始化图
    MGraph BuildGraph();
    
    bool isEmpty(MinHeap H);
    bool isFull(MinHeap H);
    void PercUp(MinHeap H, int p, int dist[]);
    ELEMENT_TYPE DelMin(MinHeap H, int dist[]);
    void FreeHeap(MinHeap H);
    MinHeap CreateHeap(int MaxSize);
    void BuildMinHeap(MinHeap H, int dist[]);
    
    Vertex FindMinDist(MinHeap H, int dist[]);
    void Dijkstra(MGraph G, int dist[], int cost[], Vertex S);
    
    Vertex src, dst;
    // 对于全局的int数组自动初始化为0,bool数组初始化为false
    int dist[MAX_VERTEX_NUM];
    int cost[MAX_VERTEX_NUM];
    bool collected[MAX_VERTEX_NUM];
    
    /*
    07-图6 旅游规划
    难度:3颗星
    
    4 5 0 3
    0 1 1 20
    1 3 2 30
    0 3 4 10
    0 2 2 20
    2 3 1 20
    
    3 40
     */
    
    int main()
    {
        MGraph G = BuildGraph();
        Dijkstra(G, dist, cost, src);
        printf("%d %d\n", dist[dst], cost[dst]);
    
        return 0;
    }
    
    MGraph CreateGraph(int vertexNum)
    {
        MGraph G = (MGraph)malloc(sizeof(struct _MGraph));
        G->Nv = vertexNum;
        G->Ne = 0;
        Vertex V, W;
    
        for (V = 0; V < vertexNum; V++)
        {
            for (W = 0; W < vertexNum; W++)
            {
                G->dist[V][W] = MAX_DIST;
                G->cost[V][W] = MAX_COST;
            }
        }
    
        return G;
    }
    
    void InsertEdge(MGraph G, Edge E)
    {
        /* 插入边 */
        G->dist[E->V][E->W] = E->dist;
        G->cost[E->V][E->W] = E->cost;
    
        /* 若是无向图则要反向也插入 */
        G->dist[E->W][E->V] = E->dist;
        G->cost[E->W][E->V] = E->cost;
    }
    
    MGraph BuildGraph()
    {
        MGraph G;
        Edge E;
        int Nv, Ne;
        scanf("%d %d %d %d", &Nv, &Ne, &src, &dst);
        G = CreateGraph(Nv);
        if (Ne)
        {
            G->Ne = Ne;
            E = (Edge)malloc(sizeof(struct _Edge));
    
            for (int i = 0; i < G->Ne; i++)
            {
                scanf("%d %d %d %d", &E->V, &E->W, &E->dist, &E->cost);
                InsertEdge(G, E);
            }
    
            free(E);
        }
    
        return G;
    }
    
    Vertex FindMinDist(MinHeap H, int dist[])
    {
        Vertex minV = ERROR;
        // 从堆中取出最小值,并维护最小堆的有效性。
        minV = DelMin(H, dist);
        
        return minV;
    }
    
    void Dijkstra(MGraph G, int dist[], int cost[], Vertex S)
    {
        Vertex V, W;
    
        /* 初始化:此处默认邻接矩阵中不存在的边用INFINITY表示 */
        for (V = 0; V < G->Nv; V++)
        { // dist和cost分别保存的是源点到顶点V的距离和开销
            dist[V] = G->dist[S][V];
            cost[V] = G->cost[S][V];
        }
        /* 先将起点收入集合 */
        dist[S] = 0;
        cost[S] = 0;
        collected[S] = true;
    
        // 根据dist对未收录顶点创建最小堆
        MinHeap H = CreateHeap(MAX_VERTEX_NUM);
    
        for (V = 0; V < G->Nv; V++)
        {
            if (collected[V] == false)
            { // H->Elements保存的是未收集顶点的编号,本例依次是1,2,3
                H->Elements[++H->Size] = V;
            }
        }
    
        BuildMinHeap(H, dist);
    
        while (1)
        {
            /* V = 未被收录顶点中dist最小者 */
            V = FindMinDist(H, dist);
            if (V == ERROR)      /* 若这样的V不存在 */
                break;           /* 算法结束 */
            collected[V] = true; /* 收录V */
    
            for (W = 0; W < G->Nv; W++) /* 对图中的每个顶点W */
                /* 若W是V的邻接点并且未被收录 */
                if (collected[W] == false && G->dist[V][W] < MAX_DIST)
                {
                    if (G->dist[V][W] < 0) /* 若有负边 */
                        return;            /* 不能正确解决,返回错误标记 */
                    /* 若收录V使得dist[W]变小 */
                    if (dist[V] + G->dist[V][W] < dist[W])
                    {
                        dist[W] = dist[V] + G->dist[V][W]; /* 更新dist[W] */
                        cost[W] = cost[V] + G->cost[V][W];
                    }
                    else if (dist[V] + G->dist[V][W] == dist[W] &&
                             cost[V] + G->cost[V][W] < cost[W])
                    {
                        cost[W] = cost[V] + G->cost[V][W];
                    }
                }
        } /* while结束*/
    
        FreeHeap(H);
        free(G);
    }
    
    bool isEmpty(MinHeap H)
    {
        return H->Size == 0;
    }
    
    bool isFull(MinHeap H)
    {
        return H->Size == H->Capacity;
    }
    
    ELEMENT_TYPE DelMin(MinHeap H, int dist[])
    {
        if (!isEmpty(H))
        {
            ELEMENT_TYPE min, last;
            int parent, child;
    
            min = H->Elements[1];
            last = H->Elements[H->Size--];
    
            for (parent = 1; 2 * parent <= H->Size; parent = child)
            {
                child = 2 * parent;
                if ((child != H->Size) && (dist[H->Elements[child]] > dist[H->Elements[child + 1]]))
                {
                    child++;
                }
                if (dist[last] <= dist[H->Elements[child]])
                {
                    break;
                }
                else
                {
                    H->Elements[parent] = H->Elements[child];
                }
            }
    
            H->Elements[parent] = last;
    
            return min;
        }
        else
        {
            return ERROR;
        }
    }
    
    void PercUp(MinHeap H, int p, int dist[])
    { /*根据顶点的dist值,决定顶点在堆中的存储位置。
      对dist[H->Elements[child]] > dist[H->Elements[child + 1]]的理解
      dist[x] > dist[y],本质是比较两个顶点之间的dist值,x,y是顶点序号。
      dist[x]的初始值通过dist[V] = G->dist[S][V]获得,并用dist[W] = dist[V] + G->dist[V][W]更新
      child是顶点在堆中的索引,H->Elements[child]存储的是顶点序号
      所以dist[H->Elements[child]]是顶点的dist值。
      */
    
        int parent, child;
        ELEMENT_TYPE X;
        X = H->Elements[p];
    
        for (parent = p; 2 * parent <= H->Size; parent = child)
        {
            child = 2 * parent;
            if ((child != H->Size) && (dist[H->Elements[child]] > dist[H->Elements[child + 1]]))
            {
                child++;
            }
            if (dist[X] <= dist[H->Elements[child]])
            {
                break;
            }
            else
            {
                H->Elements[parent] = H->Elements[child];
            }
        }
    
        H->Elements[parent] = X;
    }
    
    void FreeHeap(MinHeap H)
    {
        if (H != NULL)
        {
            free(H->Elements);
            free(H);
        }
    }
    
    MinHeap CreateHeap(int MaxSize)
    {
        MinHeap H = (MinHeap)malloc(sizeof(struct _MinHeap));
        H->Elements = (ELEMENT_TYPE *)malloc((MaxSize + 1) * sizeof(ELEMENT_TYPE));
        H->Elements[0] = MIN_DATA;
        H->Size = 0;
        H->Capacity = MaxSize;
    
        return H;
    }
    
    void BuildMinHeap(MinHeap H, int dist[])
    { // p表示顶点在堆中的位置
        int p;
        for (p = H->Size / 2; p > 0; p--)
        {
            PercUp(H, p, dist);
        }
    }
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85
    • 86
    • 87
    • 88
    • 89
    • 90
    • 91
    • 92
    • 93
    • 94
    • 95
    • 96
    • 97
    • 98
    • 99
    • 100
    • 101
    • 102
    • 103
    • 104
    • 105
    • 106
    • 107
    • 108
    • 109
    • 110
    • 111
    • 112
    • 113
    • 114
    • 115
    • 116
    • 117
    • 118
    • 119
    • 120
    • 121
    • 122
    • 123
    • 124
    • 125
    • 126
    • 127
    • 128
    • 129
    • 130
    • 131
    • 132
    • 133
    • 134
    • 135
    • 136
    • 137
    • 138
    • 139
    • 140
    • 141
    • 142
    • 143
    • 144
    • 145
    • 146
    • 147
    • 148
    • 149
    • 150
    • 151
    • 152
    • 153
    • 154
    • 155
    • 156
    • 157
    • 158
    • 159
    • 160
    • 161
    • 162
    • 163
    • 164
    • 165
    • 166
    • 167
    • 168
    • 169
    • 170
    • 171
    • 172
    • 173
    • 174
    • 175
    • 176
    • 177
    • 178
    • 179
    • 180
    • 181
    • 182
    • 183
    • 184
    • 185
    • 186
    • 187
    • 188
    • 189
    • 190
    • 191
    • 192
    • 193
    • 194
    • 195
    • 196
    • 197
    • 198
    • 199
    • 200
    • 201
    • 202
    • 203
    • 204
    • 205
    • 206
    • 207
    • 208
    • 209
    • 210
    • 211
    • 212
    • 213
    • 214
    • 215
    • 216
    • 217
    • 218
    • 219
    • 220
    • 221
    • 222
    • 223
    • 224
    • 225
    • 226
    • 227
    • 228
    • 229
    • 230
    • 231
    • 232
    • 233
    • 234
    • 235
    • 236
    • 237
    • 238
    • 239
    • 240
    • 241
    • 242
    • 243
    • 244
    • 245
    • 246
    • 247
    • 248
    • 249
    • 250
    • 251
    • 252
    • 253
    • 254
    • 255
    • 256
    • 257
    • 258
    • 259
    • 260
    • 261
    • 262
    • 263
    • 264
    • 265
    • 266
    • 267
    • 268
    • 269
    • 270
    • 271
    • 272
    • 273
    • 274
    • 275
    • 276
    • 277
    • 278
    • 279
    • 280
    • 281
    • 282
    • 283
    • 284
    • 285
    • 286
    • 287
    • 288
    • 289
    • 290
    • 291
    • 292
    • 293
    • 294
    • 295
    • 296
    • 297
    • 298
    • 299
    • 300
    • 301
    • 302
    • 303
    • 304
    • 305
    • 306
    • 307
    • 308
    • 309
    • 310
    • 311

    小结:
    本题的最小堆比用循环的方式实现FindMinDist要难一些,主要是要理解和修改堆的几个实现,核心是构造和维护最小堆要根据dist的值,来维护对应的顶点。

  • 相关阅读:
    Python爬虫项目实战案例-批量下载网易云榜单音乐保存至本地
    并发编程CompletableFuture用法
    【知识图谱】入门:通俗理解 什么是知识图谱 | 知识图谱就是NLP吗?只适用于自然语言处理?那你就out了!| 知识图谱能帮助我们完成什么任务?
    js手撕代码
    axios 请求合集
    [论文阅读] 颜色迁移-Correlated Color Space
    桉木做的建筑模板质量评价
    如何理解my_map.yaml中origin的含义
    电容笔什么牌子好?比较好用的ipad手写笔推荐
    (大数据应用考察)全国水资源分析可视化
  • 原文地址:https://blog.csdn.net/weixin_45462681/article/details/132593014