我希望能开车从城市X到城市Y。我的车油箱很小,加油站只存在于道路交叉口(交叉口是节点,道路是边缘)。因此,我想走一条路径,使我在两个加油站之间行驶的最大距离最小化。有没有更有效的算法可以用来找到这条路径?暴力搜索是一个不好的解决方案。我想知道是否存在更有效的算法。
我希望能开车从城市X到城市Y。我的车油箱很小,加油站只存在于道路交叉口(交叉口是节点,道路是边缘)。因此,我想走一条路径,使我在两个加油站之间行驶的最大距离最小化。有没有更有效的算法可以用来找到这条路径?暴力搜索是一个不好的解决方案。我想知道是否存在更有效的算法。
按照它们的权重对边进行排序。
从最轻的边开始逐个添加,直到 X
和 Y
连接为止。
要检查它们是否连接,可以使用 并查集 数据结构。
时间复杂度为 O(E log E)
。
正确性证明:
正确答案不会比此解决方案返回的答案更大。这是因为该解决方案是构造性的:一旦X
和Y
在同一组件中,我们可以明确地写出它们之间的路径。它不能包含更重的边,因为它们还没有被添加。
正确答案不会比此解决方案返回的答案更小。假设X
和Y
之间存在一条路径,其由权重严格小于返回的答案的边组成。但是这是不可能的,因为所有更轻的边都已经被处理过了(我们按照排序顺序进行迭代),而且X
和Y
在不同的组件中。因此,它们之间没有路径。
1)和2)说明了此算法的正确性。
此解决方案适用于无向图。
以下是解决有向情况问题的算法(它也适用于无向图):
让我们按照它们的权重对边进行排序。
让我们在路径中二分查找最重边的权重(由所有边的排序列表中的边的索引确定)。
对于固定的答案候选i,我们可以执行以下操作:
将所有索引小于i的边添加到已排序列表中(即所有不比当前边更重的边)。
运行DFS或BFS以检查是否存在从X到Y的路径。
根据这样的路径的存在与否调整二进制搜索中的左右边界。
时间复杂度为O((E + V) * log E)
(我们运行DFS/BFS log E
次,每次都需要O(E + V)
的时间)。
这是一个伪代码:
if (X == Y)
return 0 // We don't need any edges.
if (Y is not reachable from X using all edges)
return -1 // No solution.
edges = a list of edges sorted by their weight in increasing order
low = -1 // definitely to small(no edges)
high = edges.length - 1 // definitely big enough(all edges)
while (high - low > 1)
mid = low + (high - low) / 2
g = empty graph
for i = 0...mid
g.add(edges[i])
if (g.hasPath(X, Y)) // Checks that there is a path using DFS or BFS
high = mid
else
low = mid
return edges[high]