本文讲解的例题
| LeetCode | 力扣 | 难度 |
|---|---|---|
| 1334. Find the City With the Smallest Number of Neighbors at a Threshold Distance | 1334. 阈值距离内邻居最少的城市 | 🟠 |
在 图结构最短路径算法概览 中，我们详细介绍了图论中单源最短路径、多源最短路径、点对点最短路径几种场景，以及几种经典最短路径算法的区别与联系。
在 最便宜的旅行路径 中，我们用动态规划求解过从 src 到 dst 的最短路径（点对点最短路径问题），而本文要解决的是多源最短路径问题，不能直接套用。
Floyd 算法基于动态规划思想，代码实现非常简单，但想要彻底理解其原理，需要费点功夫。下面先直接给出 Floyd 算法的代码以及例题，然后再详细讲解状态转移方程的推导过程。
Floyd 算法代码
Floyd 算法的代码如下，其中 Graph 是 图结构代码实现 中的通用接口：
int[][] floyd(Graph graph) {
int n = graph.nodeCount();
// 定义：dp[i][j] 的值为节点 i 到节点 j 的最短路径权重
int[][] dp = new int[n][n];
// base case
// 节点到其自身的路径权重为 0，所以 dp[i][i] 初始化为 0
// 对于直接相邻的节点，dp[i][j] 初始化为边的权重
// 对于不直接相邻的节点，dp[i][j] 初始化为 +inf
for (int i = 0; i < n; i++) {
Arrays.fill(dp[i], Integer.MAX_VALUE);
}
for (int i = 0; i < n; i++) {
dp[i][i] = 0;
}
for (int i = 0; i < n; i++) {
for (Edge edge : graph.neighbors(i)) {
int j = edge.to;
int weight = edge.weight;
dp[i][j] = weight;
}
}
// 状态转移
for (int k = 0; k < n; k++) {
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
// 为了防止 dp[i][k] + dp[k][j] 导致 int 溢出，需要额外判断
if (dp[i][k] != Integer.MAX_VALUE && dp[k][j] != Integer.MAX_VALUE) {
dp[i][j] = Math.min(dp[i][j], dp[i][k] + dp[k][j]);
}
}
}
}
return dp;
}
// 计算多源最短路径
// 其中 dist[i][j] 为节点 i 到节点 j 的最短路径权重
int[][] dist = floyd(graph);可以看出上述代码就是一个标准的动态规划问题的解法代码，其中：
dp 数组的定义是 dp[i][j] 存储节点 i 到节点 j 的最短路径权重。
对于直接相邻的节点 i, j，dp[i][j] 的值初始化为边的权重，不直接相邻的节点，初始化为 +inf，这就是 base case。
状态转移方程就是三层嵌套 for 循环的部分，也是 Floyd 算法的核心：
// 状态转移
for (int k = 0; k < n; k++) {
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
dp[i][j] = Math.min(dp[i][j], dp[i][k] + dp[k][j]);
}
}
}这样，Floyd 算法就完成了，时间复杂度是 ，空间复杂度是 ，其中 是图的节点数。