演算法簡介

貝爾曼-福特演算法(Bellman–Ford algorithm )用於計算出起點到各個節點的最短距離，支援存在負權重的情況

• 它的原理是對圖進行最多V-1次鬆弛操作，得到所有可能的最短路徑。其優於迪科斯徹演算法的方面是邊的權值可以為負數、實現簡單，缺點是時間複雜度過高，高達O(VE)。但演算法可以進行若干種優化，提高了效率。

• Bellman Ford演算法每次對所有的邊進行鬆弛，每次鬆弛都會得到一條最短路徑，所以總共需要要做的鬆弛操作是V - 1次。在完成這麼多次鬆弛後如果還是可以鬆弛的話，那麼就意味著，其中包含負環。

• 相比狄克斯特拉演算法(Dijkstra algorithm)

  ,其最大優點便是Bellman–Ford支援存在負權重的情況，並且程式碼實現相對簡單。缺點便是時間複雜度較高，達到O(V*E)，V代表頂點數，E代表邊數。

可用於解決以下問題：

• 從A出發是否存在到達各個節點的路徑(有計算出值當然就可以到達)；
• 從A出發到達各個節點最短路徑(時間最少、或者路徑最少等)
• 圖中是否存在負環路（權重之和為負數）

其思路為：

1. 初始化時將起點s到各個頂點v的距離dist(s->v)賦值為∞，dist(s->s)賦值為0

2. 後續進行最多n-1次遍歷操作(n為頂點個數,上標的v輸入法打不出來...),對所有的邊進行鬆弛操作,假設:

   所謂的鬆弛，以邊ab為例，若dist(a)代表起點s到達a點所需要花費的總數， dist(b)代表起點s到達b點所需要花費的總數,weight(ab)代表邊ab的權重， 若存在:

   (dist(a) +weight(ab)) < dist(b)

   則說明存在到b的更短的路徑,s->...->a->b,更新b點的總花費為(dist(a) +weight(ab))，父節點為a

3. 遍歷都結束後，若再進行一次遍歷，還能得到s到某些節點更短的路徑的話，則說明存在負環路

思路上與狄克斯特拉演算法(Dijkstra algorithm)最大的不同是每次都是從源點s重新出發進行"鬆弛"更新操作，而Dijkstra則是從源點出發向外擴逐個處理相鄰的節點，不會去重複處理節點，這邊也可以看出Dijkstra效率相對更高點。

案例

案例一

先舉個網上常見的例子介紹其實現的思路:

如下圖按Bellman–Ford演算法思路獲取起點A到終點的最短路徑

由上介紹可知，由於該圖頂點總數n=5個頂點，所以需要進行5-1 = 4 次的遍歷更新操作，每次操作若能發現更短的路徑則更新對應節點的值

1.首先建立邊物件資訊,需要按從源點A出發，由近到遠的順序，不然沒從源點開始的話dist(s)==∞無窮大會增加後續計算的麻煩:

AB:-1
AC:4
BC:3
BE:2
BD:2
ED:-3
DC:5
DB:1
複製程式碼

1.首先列出起點A到各個節點耗費的時間:

2.進行第一次對所有邊進行的鬆弛操作:

2.1統計經過1條邊所能到達的節點的值AB,AC：

AB:-1
AC:4
複製程式碼

2.2統計經過2條邊所能到達的節點的值BC,BD,BE：

BC:3
BE:2
BD:2
複製程式碼

以節點C為例,因為滿足: dist(B) + weight(BC) > dist(C),即 -1 + 3 >4，所以C更新為2

2.3統計經過3條邊所能到達的節點的值ED,DC：

ED:-3
DC:5
DB:1
複製程式碼

3.嘗試再進行第2次遍歷，對所有邊進行鬆弛操作，發現沒有節點需要進行更新，此時便可以提前結束遍歷，優化效率

4.由上表可知，此時便求出了源點A到各個節點的最短路徑與線路

案例二

如下圖，求出A到各節點的最短路徑

1.該圖共有節點7個，最多需要進行7-1=6次的對所有邊的鬆弛操作

2.首先建立邊物件:

AB:6
AC:5
AD:5
CB:-2
DC:-2
BE:-1
CE:1
DF:-1
EG:3
FG:3
複製程式碼

3.進行第一次遍歷鬆弛操作，可以得到:

4.進行第二次遍歷鬆弛操作，得到:

5.進行第三次遍歷鬆弛操作，結果並沒有再次更新:

6.此時上表邊上A到各個節點的最短路徑，可以通過倒序的方式得出路線

8.這邊假設同級邊物件(指的是從A出發，經過相同的邊數可以到達的，比如DC,CB,BE,DF,CE經過2條邊就可以到達)排序位置進行調整,並不會影響結果的正確性，但是會影響所需要的遍歷的次數(不同級別):

比如上述,AB:6 ,AC:5,AD:5,CB:-2,DC:-2,BE:-1,CE:1,DF:-1,EG:3,FG:3 程式碼需要遍歷3次才可以確認結果(最後一次用於確認結果不再更新)；

AB:6，AC:5，AD:5，DC:-2，CB:-2，BE:-1，CE:1，DF:-1，EG:3，FG:3 程式碼需要遍歷2次就可以確認結果；

AB:6，AC:5，AD:5，BE:-1，CE:1，DF:-1，DC:-2，CB:-2，EG:3，FG:3 程式碼需要遍歷4次就可以確認結果；

有時候圖的關係是使用者輸入的，對於順序並不好強制一定是最佳的

侷限性

案例三,存在負環路的情況

• 對案例一的圖進行修改B->D為-2.使得B<->D這形成了負環路，所謂的負環路指的是環路權重之和為負數，比如上圖 1 + (-2) = -1 < 0即為負環路。

• 因為負環路可以無限執行迴圈步驟，只要你想，可以在 B->D->B->D...這邊無限迴圈，所以B、D的取值可以無限小， 然後當B、D取值無限小後再從B、D節點出發到達其他各個節點，都會導致其它節點的取值同樣接近無限小，所以對於負環路的情況，Bellman–Ford只能判斷出圖存在負環路，而沒有求出各個節點最短路徑的意義

• Bellman–Ford求出的各個節點的最短路徑後，可以再進行一次遍歷，就可以判斷出是否存在負環路。

例如,同案例一，對該圖執行4次遍歷後得到結果:

此時結束後，所得到的結果並非是正確的最短路徑，比如再進行一次遍歷，更新從源點A出發，經過5條邊所能到達的節點的值

發現此時存在可以更新的節點B，則證明圖中存在了負環路。

當沒限制次數時，則無法得出各個節點的最短路徑，若人為限制了遍歷次數，則可以找出源點到各個節點的最短路徑

小結

1.廣度優先演算法BFS主要適用於無權重向圖重搜尋出源點到終點的步驟最少的路徑，當方向圖存在權重時，不再適用

2.狄克斯特拉演算法Dijkstra主要用於有權重的方向圖中搜索出最短路徑，但不適合於有負權重的情況.對於環圖，個人感覺和BFS一樣，標誌好已處理的節點避免進入死迴圈，可以支援

3.貝爾曼-福特演算法Bellman–Ford主要用於存在負權重的方向圖中(沒有負權重也可以用，但是效率比Dijkstra低很多)，搜尋出源點到各個節點的最短路徑

4.Bellman–Ford可以判斷出圖是否存在負環路，但存在負環路的情況下不支援計算出各個節點的最短路徑。只需要在結束(節點數目-1)次遍歷後，再執行一次遍歷，若還可以更新資料則說明存在負環路

5.當人為限制了遍歷次數後，對於負環路也可以計算出，但似乎沒啥實際意義

java實現

/**
 * 貝爾曼-福特演算法
 * @author Administrator
 *
 */
public class BellmanFord {
	public static void main(String[] args){
		
		//建立圖
		Edge ab = new Edge("A", "B", -1);
		Edge ac = new Edge("A", "C", 4);
		Edge bc = new Edge("B", "C", 3);
		Edge be = new Edge("B", "E", 2);
		Edge ed = new Edge("E", "D", -3);
		Edge dc = new Edge("D", "C", 5);
		Edge bd = new Edge("B", "D", 2);
		Edge db = new Edge("D", "B", 1);
		
		//需要按圖中的步驟步數順序建立陣列，否則就是另外一幅圖了，
		//從起點A出發，步驟少的排前面
		Edge[] edges = new Edge[] {ab,ac,bc,be,bd,ed,dc,db};
		
		//存放到各個節點所需要消耗的時間
		HashMap<String,Integer> costMap = new HashMap<String,Integer>();
		//到各個節點對應的父節點
		HashMap<String,String> parentMap = new HashMap<String,String>();
		
		
		//初始化各個節點所消費的，當然也可以再遍歷的時候判斷下是否為Null
		//i=0的時候
		costMap.put("A", 0); //源點
		costMap.put("B", Integer.MAX_VALUE);
		costMap.put("C", Integer.MAX_VALUE);
		costMap.put("D", Integer.MAX_VALUE);
		costMap.put("E", Integer.MAX_VALUE);
		
		//進行節點數n-1次迴圈
		for(int i =1; i< costMap.size();i++) {
			boolean hasChange = false;
			for(int j =0; j< edges.length;j++) {
				Edge edge = edges[j];
				//該邊起點目前總的路徑大小
				int startPointCost = costMap.get(edge.getStartPoint()) == null ? 0:costMap.get(edge.getStartPoint());
				//該邊終點目前總的路徑大小
				int endPointCost = costMap.get(edge.getEndPoint()) == null ? Integer.MAX_VALUE : costMap.get(edge.getEndPoint());
				//如果該邊終點目前的路徑大小 > 該邊起點的路徑大小 + 該邊權重 ，說明有更短的路徑了
				if(endPointCost > (startPointCost + edge.getWeight())) {
					costMap.put(edge.getEndPoint(), startPointCost + edge.getWeight());
					parentMap.put(edge.getEndPoint(), edge.getStartPoint());
					hasChange = true;
				}
			}
			if (!hasChange) {
				//經常還沒達到最大遍歷次數便已經求出解了，此時可以優化為提前退出迴圈
				break;
			}
		}
		
		//在進行一次判斷是否存在負環路
		boolean hasRing = false;
		for(int j =0; j< edges.length;j++) {
			Edge edge = edges[j];
			int startPointCost = costMap.get(edge.getStartPoint()) == null ? 0:costMap.get(edge.getStartPoint());
			int endPointCost = costMap.get(edge.getEndPoint()) == null ? Integer.MAX_VALUE : costMap.get(edge.getEndPoint());
			if(endPointCost > (startPointCost + edge.getWeight())) {
				System.out.print("\n圖中存在負環路，無法求解\n");
				hasRing = true;
				break;
			}
		}
		
		if(!hasRing) {
			//打印出到各個節點的最短路徑
			for(String key : costMap.keySet()) {
				System.out.print("\n到目標節點"+key+"最低耗費:"+costMap.get(key));
				if(parentMap.containsKey(key)) {
					List<String> pathList = new ArrayList<String>();
					String parentKey = parentMap.get(key);
					while (parentKey!=null) {
						pathList.add(0, parentKey);
						parentKey = parentMap.get(parentKey);
					}
					pathList.add(key);
					String path="";
					for(String k:pathList) {
						path = path.equals("") ? path : path + " --> ";
						path = path +  k ;
					}
					System.out.print("，路線為"+path);
				} 
			}
		}

		
	}
	

	
	/**
	 * 	代表"一條邊"的資訊物件
	 * 
	 * @author Administrator
	 *
	 */
	static class Edge{
		//起點id
		private String startPoint;
		//結束點id
		private String endPoint;
		//該邊的權重
		private int weight;
		public Edge(String startPoint,String endPoint,int weight) {
			this.startPoint = startPoint;
			this.endPoint = endPoint;
			this.weight = weight;
		}
		public String getStartPoint() {
			return startPoint;
		}
		
		public String getEndPoint() {
			return endPoint;
		}
		
		public int getWeight() {
			return weight;
		}
	}
}
複製程式碼

執行完main方法列印資訊如下:
到目標節點B最低耗費:-1，路線為A --> B
到目標節點C最低耗費:2，路線為A --> B --> C
到目標節點D最低耗費:-2，路線為A --> B --> E --> D
到目標節點E最低耗費:1，路線為A --> B --> E
複製程式碼

微信公眾號

掃描關注獲取最新內容

作者：CodeInfo
連結：https://juejin.im/post/5b77fec1e51d4538cf53be68
來源：掘金
著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。