我在数据库{STARTNODE,ENDNODE}中存储了以下格式的有向图。因此,{5,3}意味着从节点5到节点3有一个箭头。计算图中2个节点之间的距离
现在我需要计算两个随机节点之间的距离。什么是最有效的方法?顺便说一下,图形有循环。
非常感谢!
我在数据库{STARTNODE,ENDNODE}中存储了以下格式的有向图。因此,{5,3}意味着从节点5到节点3有一个箭头。计算图中2个节点之间的距离
现在我需要计算两个随机节点之间的距离。什么是最有效的方法?顺便说一下,图形有循环。
非常感谢!
如果距离我们的意思是跳的最小数量,那么你可以使用吉多·范罗苏姆的find_shortest_path功能:
def find_shortest_path(graph, start, end, path=[]):
"""
__source__='https://www.python.org/doc/essays/graphs/'
__author__='Guido van Rossum'
"""
path = path + [start]
if start == end:
return path
if not graph.has_key(start):
return None
shortest = None
for node in graph[start]:
if node not in path:
newpath = find_shortest_path(graph, node, end, path)
if newpath:
if not shortest or len(newpath) < len(shortest):
shortest = newpath
return shortest
if __name__=='__main__':
graph = {'A': ['B', 'C'],
'B': ['C', 'D'],
'C': ['D'],
'D': ['C'],
'E': ['F'],
'F': ['C']}
print(find_shortest_path(graph,'A','D'))
# ['A', 'B', 'D']
print(len(find_shortest_path(graph,'A','D')))
# 3
如果你真的在寻找最有效的方式消极或积极的边缘,那么解决方案是实现breadth first search在C,然后调用从实施Python层。 (当然,这仅适用于边缘未加权的情况;如果权重非负,则加权边缘要求Dijkstra's algorithm,如果权重可以为负,则加权边缘要求Bellman-Ford algorithm)。
顺便提一下,igraph library在C中实现了所有这些算法,因此您可能需要尝试。如果您更喜欢纯粹的基于Python的解决方案(比igraph更容易安装),请尝试使用NetworkX软件包。
鉴于距离是跳数,并且是最优路径(最短路径)。您可以使用Python的列表/集跟踪访问节点和当前可到达节点。从第一个节点开始,然后继续从当前节点组跳跃,直到到达目标。
例如,给定该图表:
[hop 0]
visited: {}
current: {A}
[hop 1]
visited: {A}
current: {B, C, J}
[hop 2]
visited: {A, B, C, J}
current: {D, E, F, G, H}
[hop 3]
visited: {A, B, C, D, E, F, G, H, J}
current: {K} // destination is reachable within 3 hops
受访节点列表的点是为了防止访问访问节点,从而产生一个循环。为了获得最短的距离,重新进行重访是没有用的,因为它总是使得所得路径的距离更长。
这是一个简单的实现Breadth-first search。效率部分取决于如何检查访问节点,以及如何查询给定节点的相邻节点。广度优先搜索始终保证提供最佳距离,但是如果您的数据库中有很多节点(如十亿/百万),则此实现可能会造成问题。我希望这给出了这个想法。
可能的重复:http://stackoverflow.com/questions/3038661/efficiently-finding-the-shortest-path-in-large-graphs – 2010-08-30 15:36:01