El següent tutorial ens ensenyarà l'algoritme del camí més curt de Dijkstra. Entendrem el funcionament de l'algoritme de Dijkstra amb una explicació gràfica pas a pas.

Cobrirem el següent:

• Una breu visió general dels conceptes fonamentals del gràfic
• Comprendre l'ús de l'algoritme de Dijkstra
• Comprendre el funcionament de l'algoritme amb un exemple pas a pas

Així doncs, comencem.

Una breu introducció als gràfics

Gràfics són estructures de dades no lineals que representen les 'connexions' entre els elements. Aquests elements es coneixen com a Vèrtexs , i les línies o arcs que connecten dos vèrtexs qualsevol del gràfic es coneixen com a Vores . Més formalment, un gràfic comprèn un conjunt de vèrtexs (V) i un conjunt d'arestes (E) . El gràfic es denota per G(V, E) .

Components d'un gràfic

Vèrtexs:Els vèrtexs són les unitats bàsiques del gràfic que s'utilitzen per representar objectes, persones o entitats de la vida real. De vegades, els vèrtexs també es coneixen com a Nodes.Vores:Les arestes es dibuixen o s'utilitzen per connectar dos vèrtexs del gràfic. De vegades, les vores també es coneixen com arcs.

La figura següent mostra una representació gràfica d'un gràfic:

Figura 1: Representació gràfica d'un gràfic

A la figura anterior, els vèrtexs/nodes es denoten amb cercles de colors i les vores es denoten amb les línies que connecten els nodes.

Aplicacions dels gràfics

Els gràfics s'utilitzen per resoldre molts problemes de la vida real. S'utilitzen gràfics per representar les xarxes. Aquestes xarxes poden incloure xarxes telefòniques o de circuits o camins d'una ciutat.

Per exemple, podríem utilitzar Graphs per dissenyar un model de xarxa de transport on els vèrtexs mostrin les instal·lacions que envien o reben els productes, i les vores representen carreteres o camins que els connecten. La següent és una representació pictòrica del mateix:

Figura 2: Representació pictòrica de la xarxa de transport

Els gràfics també s'utilitzen en diferents plataformes de xarxes socials com LinkedIn, Facebook, Twitter i més. Per exemple, plataformes com Facebook utilitzen gràfics per emmagatzemar les dades dels seus usuaris on cada persona està indicada amb un vèrtex, i cadascuna d'elles és una estructura que conté informació com ID de persona, nom, gènere, adreça, etc.

Tipus de gràfics

Els gràfics es poden classificar en dos tipus:

1. Gràfic no dirigit
2. Gràfic dirigit

Gràfic no dirigit: Un gràfic amb arestes que no tenen direcció s'anomena gràfic no dirigit. Les arestes d'aquest gràfic impliquen una relació bidireccional en la qual cada aresta es pot recórrer en ambdues direccions. La figura següent mostra un gràfic senzill sense direcció amb quatre nodes i cinc arestes.

Figura 3: Un gràfic senzill sense direcció

Gràfic dirigit: Un gràfic amb arestes amb direcció s'anomena gràfic dirigit. Les arestes d'aquest gràfic impliquen una relació unidireccional en la qual cada aresta només es pot recórrer en una única direcció. La figura següent mostra un gràfic dirigit senzill amb quatre nodes i cinc arestes.

Figura 4: Un gràfic dirigit senzill

edat dharmendra

La longitud, la posició o l'orientació absoluta de les vores en una il·lustració de gràfics no tenen cap significat. En altres paraules, podem visualitzar el mateix gràfic de diferents maneres reordenant els vèrtexs o distorsionant les arestes si l'estructura subjacent del gràfic no s'altera.

Què són els gràfics ponderats?

Es diu que un gràfic està ponderat si a cada aresta se li assigna un 'pes'. El pes d'una aresta pot indicar la distància, el temps o qualsevol cosa que modeli la 'connexió' entre el parell de vèrtexs que connecta.

Per exemple, podem observar un nombre blau al costat de cada aresta a la següent figura del gràfic ponderat. Aquest número s'utilitza per indicar el pes de la vora corresponent.

Figura 5: Un exemple de gràfic ponderat

Una introducció a l'algoritme de Dijkstra

Ara que coneixem alguns conceptes bàsics de gràfics, aprofundim en la comprensió del concepte de l'algoritme de Dijkstra.

Alguna vegada t'has preguntat com troba Google Maps la ruta més curta i ràpida entre dos llocs?

Bé, la resposta és Algoritme de Dijkstra . Algoritme de Dijkstra és un algorisme de gràfics que troba el camí més curt des d'un vèrtex font fins a tots els altres vèrtexs del gràfic (camí més curt d'una única font). És un tipus d'algoritme cobdiciós que només funciona en gràfics ponderats amb pesos positius. La complexitat temporal de l'algoritme de Dijkstra és O (V²) amb l'ajuda de la representació matricial d'adjacència del gràfic. Aquest temps la complexitat es pot reduir a O((V + E) log V) amb l'ajuda d'una representació de llista d'adjacència del gràfic, on EN és el nombre de vèrtexs i I és el nombre d'arestes del gràfic.

Història de l'algoritme de Dijkstra

L'algoritme de Dijkstra va ser dissenyat i publicat per Dr. Edsger W. Dijkstra , un científic informàtic holandès, enginyer de programari, programador, assagista científic i científic de sistemes.

Durant una entrevista amb Philip L. Frana per a les comunicacions de la revista ACM l'any 2001, el doctor Edsger W. Dijkstra va revelar:

'Quina és la manera més curta per viatjar de Rotterdam a Groningen, en general: d'una ciutat determinada a una ciutat determinada? És l'algoritme per al camí més curt, que vaig dissenyar en uns vint minuts. Un matí estava de compres a Amsterdam amb la meva jove promesa, i cansats, ens vam asseure a la terrassa del cafè per prendre una tassa de cafè i només estava pensant si podia fer-ho, i després vaig dissenyar l'algoritme pel camí més curt. . Com he dit, va ser un invent de vint minuts. De fet, es va publicar l'any 59, tres anys després. La publicació encara és llegible, és, de fet, força agradable. Un dels motius pels quals és tan bonic va ser que el vaig dissenyar sense llapis ni paper. Més tard vaig aprendre que un dels avantatges de dissenyar sense llapis i paper és que gairebé estàs obligat a evitar totes les complexitats evitables. Finalment, aquell algorisme es va convertir, per a la meva gran sorpresa, en una de les pedres angulars de la meva fama.

Dijkstra va pensar en el problema del camí més curt mentre treballava com a programador al Centre Matemàtic d'Amsterdam el 1956 per il·lustrar les capacitats d'un nou ordinador conegut com ARMAC. El seu objectiu era seleccionar tant un problema com una solució (produïda per l'ordinador) que les persones sense antecedents informàtics poguessin comprendre. Va desenvolupar l'algorisme del camí més curt i més tard el va executar per a ARMAC per a un mapa de transport vagament escurçat de 64 ciutats dels Països Baixos (64 ciutats, de manera que 6 bits serien suficients per codificar el número de la ciutat). Un any més tard, es va trobar amb un altre problema dels enginyers de maquinari que operaven el següent ordinador de l'institut: minimitzar la quantitat de cable necessària per connectar els pins del panell posterior de la màquina. Com a solució, va redescobrir l'algoritme anomenat algorisme d'arbre d'abast mínim de Prim i el va publicar l'any 1959.

Fonaments de l'algoritme de Dijkstra

Els següents són els conceptes bàsics de l'algoritme de Dijkstra:

1. L'algoritme de Dijkstra comença al node que seleccionem (el node font) i examina el gràfic per trobar el camí més curt entre aquest node i tots els altres nodes del gràfic.
2. L'algoritme manté registres de la distància més curta reconeguda actualment des de cada node fins al node font, i actualitza aquests valors si troba algun camí més curt.
3. Un cop l'algoritme ha recuperat el camí més curt entre la font i un altre node, aquest node es marca com a 'visitat' i s'inclou al camí.
4. El procediment continua fins que tots els nodes del gràfic s'han inclòs al camí. D'aquesta manera, tenim un camí que connecta el node font amb tots els altres nodes, seguint el camí més curt possible per arribar a cada node.

Comprendre el funcionament de l'algoritme de Dijkstra

A gràfic i vèrtex font són requisits per a l'algoritme de Dijkstra. Aquest algorisme s'estableix a Greedy Approach i, per tant, troba l'opció òptima localment (mínims locals en aquest cas) a cada pas de l'algoritme.

Cada vèrtex d'aquest algorisme tindrà dues propietats definides:

1. Propietat visitada
2. Propietat Path

Entenem breument aquestes propietats.

Propietat visitada:

1. La propietat 'visitat' indica si el node ha estat visitat o no.
2. Estem utilitzant aquesta propietat perquè no tornem a visitar cap node.
3. Un node es marca com a visitat només quan s'ha trobat el camí més curt.

Propietat del camí:

1. La propietat 'path' emmagatzema el valor del camí mínim actual al node.
2. El camí mínim actual implica el camí més curt que hem arribat a aquest node fins ara.
3. Aquesta propietat es revisa quan es visita qualsevol veí del node.
4. Aquesta propietat és significativa perquè emmagatzemarà la resposta final per a cada node.

Inicialment, marquem tots els vèrtexs, o nodes, no visitats ja que encara no s'han visitat. El camí a tots els nodes també s'estableix a l'infinit a part del node font. A més, el camí al node font s'estableix a zero (0).

Aleshores seleccionem el node font i el marquem com a visitat. Després d'això, accedim a tots els nodes veïns del node font i fem una relaxació a cada node. La relaxació és el procés de reduir el cost d'arribar a un node amb l'ajuda d'un altre node.

En el procés de relaxació, el camí de cada node es revisa al valor mínim entre el camí actual del node, la suma del camí al node anterior i el camí des del node anterior al node actual.

Suposem que p[n] és el valor del camí actual per al node n, p[m] és el valor del camí fins al node visitat anteriorment m, i w és el pes de la vora entre el node actual i una visitada prèviament (pes de la vora entre n i m).

En el sentit matemàtic, la relaxació es pot exemplificar com:

p[n] = mínim (p[n], p[m] + w)

A continuació, marquem un node no visitat amb el camí menys visitat en cada pas posterior i actualitzem els camins del seu veí.

Repetim aquest procediment fins que tots els nodes del gràfic estiguin marcats com a visitats.

Sempre que afegim un node al conjunt visitat, el camí a tots els seus nodes veïns també canvia en conseqüència.

Si algun node es deixa inaccessible (component desconnectat), el seu camí continua sent 'infinit'. En cas que la pròpia font sigui un component independent, el camí a tots els altres nodes continua sent 'infinit'.

Entendre l'algoritme de Dijkstra amb un exemple

El següent és el pas que seguirem per implementar l'algoritme de Dijkstra:

Pas 1: Primer, marcarem el node font amb una distància actual de 0 i establirem la resta de nodes a INFINITY.

Pas 2: A continuació, establirem el node no visitat amb la distància actual més petita com a node actual, suposem X.

Pas 3: Per a cada veí N del node actual X: A continuació, afegirem la distància actual de X amb el pes de l'aresta que uneix X-N. Si és menor que la distància actual de N, establiu-la com la nova distància actual de N.

Pas 4: Aleshores marcarem el node X actual com a visitat.

Pas 5: Repetirem el procés des de 'Pas 2' si queda algun node no visitat al gràfic.

Entenem ara la implementació de l'algorisme amb l'ajuda d'un exemple:

Figura 6: El gràfic donat

1. Utilitzarem el gràfic anterior com a entrada, amb node A com a font.
2. Primer, marcarem tots els nodes com a no visitats.
3. Marcarem el camí 0 al node A i INFINIT per a tots els altres nodes.
4. Ara marcarem el node font A tal com es visita i accedeix als seus nodes veïns.
   Nota: Només hem accedit als nodes veïns, no els hem visitat.
5. Ara actualitzarem el camí al node B per 4 amb l'ajuda de la relaxació perquè el camí al node A és 0 i el camí des del node A a B és 4 , i la mínim((0 + 4), INFINITY) és 4 .
6. També actualitzarem la ruta al node C per 5 amb l'ajuda de la relaxació perquè el camí al node A és 0 i el camí des del node A a C és 5 , i la mínim((0 + 5), INFINITY) és 5 . Tots dos veïns de node A ara estan relaxats; per tant, podem avançar.
7. Ara seleccionarem el següent node no visitat amb el menor camí i el visitarem. Per tant, visitarem el node B i realitzar relaxació als seus veïns no visitats. Després de realitzar la relaxació, el camí cap al node C romandrà 5 , mentre que el camí al node I es convertirà 11 , i el camí al node D es convertirà 13 .
8. Ara visitarem el node I i realitzar relaxació en els seus nodes veïns B, D , i F . Ja que només node F no es visita, serà relaxat. Per tant, el camí cap al node B romandrà com està, és a dir, 4 , el camí al node D també romandrà 13 , i el camí al node F es convertirà 14 (8 + 6) .
9. Ara visitarem el node D , i només node F estarà relaxat. No obstant això, el camí cap al node F romandrà sense canvis, és a dir, 14 .
10. Ja que només node F queda, el visitarem però no realitzarem cap relaxació ja que tots els seus nodes veïns ja estan visitats.
11. Un cop visitats tots els nodes dels gràfics, finalitzarà el programa.

Per tant, els últims camins que vam concloure són:

 A = 0 B = 4 (A -> B) C = 5 (A -> C) D = 4 + 9 = 13 (A -> B -> D) E = 5 + 3 = 8 (A -> C -> E) F = 5 + 3 + 6 = 14 (A -> C -> E -> F) 

Pseudocodi per a l'algoritme de Dijkstra

Ara entendrem un pseudocodi per a l'algoritme de Dijkstra.

• Hem de mantenir un registre de la distància del camí de cada node. Per tant, podem emmagatzemar la distància del camí de cada node en una matriu de mida n, on n és el nombre total de nodes.
• A més, volem recuperar el camí més curt juntament amb la longitud d'aquest camí. Per superar aquest problema, assignarem cada node al node que va actualitzar l'última longitud de la seva ruta.
• Un cop completat l'algorisme, podem retrocedir el node de destinació fins al node d'origen per recuperar el camí.
• Podem utilitzar una cua de prioritat mínima per recuperar el node amb la distància mínima del camí d'una manera eficient.

Ara implementem un pseudocodi de la il·lustració anterior:

Pseudocodi:

 function Dijkstra_Algorithm(Graph, source_node) // iterating through the nodes in Graph and set their distances to INFINITY for each node N in Graph: distance[N] = INFINITY previous[N] = NULL If N != source_node, add N to Priority Queue G // setting the distance of the source node of the Graph to 0 distance[source_node] = 0 // iterating until the Priority Queue G is not empty while G is NOT empty: // selecting a node Q having the least distance and marking it as visited Q = node in G with the least distance[] mark Q visited // iterating through the unvisited neighboring nodes of the node Q and performing relaxation accordingly for each unvisited neighbor node N of Q: temporary_distance = distance[Q] + distance_between(Q, N) // if the temporary distance is less than the given distance of the path to the Node, updating the resultant distance with the minimum value if temporary_distance <distance[n] distance[n] :="temporary_distance" previous[n] returning the final list of distance return distance[], previous[] < pre> <p> <strong>Explanation:</strong> </p> <p>In the above pseudocode, we have defined a function that accepts multiple parameters - the Graph consisting of the nodes and the source node. Inside this function, we have iterated through each node in the Graph, set their initial distance to <strong>INFINITY</strong> , and set the previous node value to <strong>NULL</strong> . We have also checked whether any selected node is not a source node and added the same into the Priority Queue. Moreover, we have set the distance of the source node to <strong>0</strong> . We then iterated through the nodes in the priority queue, selected the node with the least distance, and marked it as visited. We then iterated through the unvisited neighboring nodes of the selected node and performed relaxation accordingly. At last, we have compared both the distances (original and temporary distance) between the source node and the destination node, updated the resultant distance with the minimum value and previous node information, and returned the final list of distances with their previous node information.</p> <h2>Implementation of Dijkstra&apos;s Algorithm in Different Programming Languages</h2> <p>Now that we have successfully understood the pseudocode of Dijkstra&apos;s Algorithm, it is time to see its implementation in different programming languages like C, C++, Java, and Python.</p> <h3>Code for Dijkstra&apos;s Algorithm in C</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the C Programming Language:</p> <p> <strong>File: DijkstraAlgorithm.c</strong> </p> <pre> // Implementation of Dijkstra&apos;s Algorithm in C // importing the standard I/O header file #include // defining some constants #define INF 9999 #define MAX 10 // prototyping of the function void DijkstraAlgorithm(int Graph[MAX][MAX], int size, int start); // defining the function for Dijkstra&apos;s Algorithm void DijkstraAlgorithm(int Graph[MAX][MAX], int size, int start) { int cost[MAX][MAX], distance[MAX], previous[MAX]; int visited_nodes[MAX], counter, minimum_distance, next_node, i, j; // creating cost matrix for (i = 0; i <size; i++) for (j="0;" j < size; j++) if (graph[i][j]="=" 0) cost[i][j]="INF;" else (i="0;" i { distance[i]="cost[start][i];" previous[i]="start;" visited_nodes[i]="0;" } distance[start]="0;" visited_nodes[start]="1;" counter="1;" while (counter size - 1) minimum_distance="INF;" (distance[i] && !visited_nodes[i]) next_node="i;" visited_nodes[next_node]="1;" (!visited_nodes[i]) (minimum_distance + cost[next_node][i] distance[i]) cost[next_node][i]; counter++; printing the distance !="start)" printf('
distance from source node to %d: %d', i, distance[i]); main function int main() defining variables graph[max][max], j, size, source; declaring of matrix nodes graph graph[0][0]="0;" graph[0][1]="4;" graph[0][2]="0;" graph[0][3]="0;" graph[0][4]="0;" graph[0][5]="8;" graph[0][6]="0;" graph[1][0]="4;" graph[1][1]="0;" graph[1][2]="8;" graph[1][3]="0;" graph[1][4]="0;" graph[1][5]="11;" graph[1][6]="0;" graph[2][0]="0;" graph[2][1]="8;" graph[2][2]="0;" graph[2][3]="7;" graph[2][4]="0;" graph[2][5]="4;" graph[2][6]="0;" graph[3][0]="0;" graph[3][1]="0;" graph[3][2]="7;" graph[3][3]="0;" graph[3][4]="9;" graph[3][5]="14;" graph[3][6]="0;" graph[4][0]="0;" graph[4][1]="0;" graph[4][2]="0;" graph[4][3]="9;" graph[4][4]="0;" graph[4][5]="10;" graph[4][6]="2;" graph[5][0]="0;" graph[5][1]="0;" graph[5][2]="4;" graph[5][3]="14;" graph[5][4]="10;" graph[5][5]="0;" graph[5][6]="2;" graph[6][0]="0;" graph[6][1]="0;" graph[6][2]="0;" graph[6][3]="0;" graph[6][4]="2;" graph[6][5]="0;" graph[6][6]="1;" calling dijkstraalgorithm() by passing graph, number and dijkstraalgorithm(graph, source); return 0; pre> <p> <strong>Output</strong> </p> <pre> Distance from the Source Node to 1: 4 Distance from the Source Node to 2: 12 Distance from the Source Node to 3: 19 Distance from the Source Node to 4: 12 Distance from the Source Node to 5: 8 Distance from the Source Node to 6: 10 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have included the <strong>stdio.h</strong> header file defined two constant values: <strong>INF = 9999</strong> and <strong>MAX = 10</strong> . We have declared the prototyping of the function and then defined the function for Dijkstra&apos;s Algorithm as <strong>DijkstraAlgorithm</strong> that accepts three arguments - the Graph consisting of the nodes, the number of nodes in the Graph, and the source node. Inside this function, we have defined some data structures such as a 2D matrix that will work as the Priority Queue for the algorithm, an array to main the distance between the nodes, an array to maintain the record of previous nodes, an array to store the visited nodes information, and some integer variables to store minimum distance value, counter, next node value and more. We then used a <strong>nested for-loop</strong> to iterate through the nodes of the Graph and add them to the priority queue accordingly. We have again used the <strong>for-loop</strong> to iterate through the elements in the priority queue starting from the source node and update their distances. Outside the loop, we have set the distance of the source node as <strong>0</strong> and marked it as visited in the <strong>visited_nodes[]</strong> array. We then set the counter value as one and used the <strong>while</strong> loop iterating through the number of nodes. Inside this loop, we have set the value of <strong>minimum_distance</strong> as <strong>INF</strong> and used the <strong>for-loop</strong> to update the value of the <strong>minimum_distance</strong> variable with the minimum value from a <strong>distance[]</strong> array. We then iterated through the unvisited neighboring nodes of the selected node using the <strong>for-loop</strong> and performed relaxation. We then printed the resulting data of the distances calculated using Dijkstra&apos;s Algorithm.</p> <p>In the <strong>main</strong> function, we have defined and declared the variables representing the Graph, the number of nodes, and the source node. At last, we have called the <strong>DijkstraAlgorithm()</strong> function by passing the required parameters.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h3>Code for Dijkstra&apos;s Algorithm in C++</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the C++ Programming Language:</p> <p> <strong>File: DijkstraAlgorithm.cpp</strong> </p> <pre> // Implementation of Dijkstra&apos;s Algorithm in C++ // importing the required header files #include #include // defining constant #define MAX_INT 10000000 // using the standard namespace using namespace std; // prototyping of the DijkstraAlgorithm() function void DijkstraAlgorithm(); // main function int main() { DijkstraAlgorithm(); return 0; } // declaring the classes class Vertex; class Edge; // prototyping the functions void Dijkstra(); vector* Adjacent_Remaining_Nodes(Vertex* vertex); Vertex* Extract_Smallest(vector&amp; vertices); int Distance(Vertex* vertexOne, Vertex* vertexTwo); bool Contains(vector&amp; vertices, Vertex* vertex); void Print_Shortest_Route_To(Vertex* des); // instantiating the classes vector vertices; vector edges; // defining the class for the vertices of the graph class Vertex { public: Vertex(char id) : id(id), prev(NULL), distance_from_start(MAX_INT) { vertices.push_back(this); } public: char id; Vertex* prev; int distance_from_start; }; // defining the class for the edges of the graph class Edge { public: Edge(Vertex* vertexOne, Vertex* vertexTwo, int distance) : vertexOne(vertexOne), vertexTwo(vertexTwo), distance(distance) { edges.push_back(this); } bool Connects(Vertex* vertexOne, Vertex* vertexTwo) public: Vertex* vertexOne; Vertex* vertexTwo; int distance; }; // defining the function to collect the details of the graph void DijkstraAlgorithm() { // declaring some vertices Vertex* vertex_a = new Vertex(&apos;A&apos;); Vertex* vertex_b = new Vertex(&apos;B&apos;); Vertex* vertex_c = new Vertex(&apos;C&apos;); Vertex* vertex_d = new Vertex(&apos;D&apos;); Vertex* vertex_e = new Vertex(&apos;E&apos;); Vertex* vertex_f = new Vertex(&apos;F&apos;); Vertex* vertex_g = new Vertex(&apos;G&apos;); // declaring some edges Edge* edge_1 = new Edge(vertex_a, vertex_c, 1); Edge* edge_2 = new Edge(vertex_a, vertex_d, 2); Edge* edge_3 = new Edge(vertex_b, vertex_c, 2); Edge* edge_4 = new Edge(vertex_c, vertex_d, 1); Edge* edge_5 = new Edge(vertex_b, vertex_f, 3); Edge* edge_6 = new Edge(vertex_c, vertex_e, 3); Edge* edge_7 = new Edge(vertex_e, vertex_f, 2); Edge* edge_8 = new Edge(vertex_d, vertex_g, 1); Edge* edge_9 = new Edge(vertex_g, vertex_f, 1); vertex_a -&gt; distance_from_start = 0; // setting a start vertex // calling the Dijkstra() function to find the shortest route possible Dijkstra(); // calling the Print_Shortest_Route_To() function to print the shortest route from the source vertex to the destination vertex Print_Shortest_Route_To(vertex_f); } // defining the function for Dijkstra&apos;s Algorithm void Dijkstra() { while (vertices.size() &gt; 0) { Vertex* smallest = Extract_Smallest(vertices); vector* adjacent_nodes = Adjacent_Remaining_Nodes(smallest); const int size = adjacent_nodes -&gt; size(); for (int i = 0; i at(i); int distance = Distance(smallest, adjacent) + smallest -&gt; distance_from_start; if (distance distance_from_start) { adjacent -&gt; distance_from_start = distance; adjacent -&gt; prev = smallest; } } delete adjacent_nodes; } } // defining the function to find the vertex with the shortest distance, removing it, and returning it Vertex* Extract_Smallest(vector&amp; vertices) { int size = vertices.size(); if (size == 0) return NULL; int smallest_position = 0; Vertex* smallest = vertices.at(0); for (int i = 1; i distance_from_start distance_from_start) { smallest = current; smallest_position = i; } } vertices.erase(vertices.begin() + smallest_position); return smallest; } // defining the function to return all vertices adjacent to &apos;vertex&apos; which are still in the &apos;vertices&apos; collection. vector* Adjacent_Remaining_Nodes(Vertex* vertex) { vector* adjacent_nodes = new vector(); const int size = edges.size(); for (int i = 0; i vertexOne == vertex) { adjacent = edge -&gt; vertexTwo; } else if (edge -&gt; vertexTwo == vertex) { adjacent = edge -&gt; vertexOne; } if (adjacent &amp;&amp; Contains(vertices, adjacent)) { adjacent_nodes -&gt; push_back(adjacent); } } return adjacent_nodes; } // defining the function to return distance between two connected vertices int Distance(Vertex* vertexOne, Vertex* vertexTwo) { const int size = edges.size(); for (int i = 0; i Connects(vertexOne, vertexTwo)) { return edge -&gt; distance; } } return -1; // should never happen } // defining the function to check if the &apos;vertices&apos; vector contains &apos;vertex&apos; bool Contains(vector&amp; vertices, Vertex* vertex) { const int size = vertices.size(); for (int i = 0; i <size; ++i) { if (vertex="=" vertices.at(i)) return true; } false; defining the function to print shortest route destination void print_shortest_route_to(vertex* des) vertex* prev="des;" cout << 'distance from start: ' < distance_from_start endl; while (prev) id prev; pre> <p> <strong>Output</strong> </p> <pre> Distance from start: 4 F G D A </pre> <p> <strong>Explanation:</strong> </p> <p>In the above code snippet, we included the <strong>&apos;iostream&apos;</strong> and <strong>&apos;vector&apos;</strong> header files and defined a constant value as <strong>MAX_INT = 10000000</strong> . We then used the standard namespace and prototyped the <strong>DijkstraAlgorithm()</strong> function. We then defined the main function of the program within, which we have called the <strong>DijkstraAlgorithm()</strong> function. After that, we declared some classes to create vertices and edges. We have also prototyped more functions to find the shortest possible path from the source vertex to the destination vertex and instantiated the Vertex and Edge classes. We then defined both classes to create the vertices and edges of the graph. We have then defined the <strong>DijkstraAlgorithm()</strong> function to create a graph and perform different operations. Inside this function, we have declared some vertices and edges. We then set the source vertex of the graph and called the <strong>Dijkstra()</strong> function to find the shortest possible distance and <strong>Print_Shortest_Route_To()</strong> function to print the shortest distance from the source vertex to vertex <strong>&apos;F&apos;</strong> . We have then defined the <strong>Dijkstra()</strong> function to calculate the shortest possible distances of the all the vertices from the source vertex. We have also defined some more functions to find the vertex with the shortest distance to return all the vertices adjacent to the remaining vertex, to return the distance between two connected vertices, to check if the selected vertex exists in the graph, and to print the shortest possible path from the source vertex to the destination vertex.</p> <p>As a result, the required shortest path for the vertex <strong>&apos;F&apos;</strong> from the source node is printed for the users.</p> <h3>Code for Dijkstra&apos;s Algorithm in Java</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the Java Programming Language:</p> <p> <strong>File: DijkstraAlgorithm.java</strong> </p> <pre> // Implementation of Dijkstra&apos;s Algorithm in Java // defining the public class for Dijkstra&apos;s Algorithm public class DijkstraAlgorithm { // defining the method to implement Dijkstra&apos;s Algorithm public void dijkstraAlgorithm(int[][] graph, int source) { // number of nodes int nodes = graph.length; boolean[] visited_vertex = new boolean[nodes]; int[] dist = new int[nodes]; for (int i = 0; i <nodes; 0 1 i++) { visited_vertex[i]="false;" dist[i]="Integer.MAX_VALUE;" } distance of self loop is zero dist[source]="0;" for (int i="0;" < nodes; updating the between neighboring vertex and source int u="find_min_distance(dist," visited_vertex); visited_vertex[u]="true;" distances all vertices v="0;" v++) if (!visited_vertex[v] && graph[u][v] !="0" (dist[u] + dist[v])) dist[v]="dist[u]" graph[u][v]; dist.length; system.out.println(string.format('distance from %s to %s', source, i, dist[i])); defining method find minimum private static find_min_distance(int[] dist, boolean[] visited_vertex) minimum_distance="Integer.MAX_VALUE;" minimum_distance_vertex="-1;" (!visited_vertex[i] minimum_distance) return minimum_distance_vertex; main function public void main(string[] args) declaring nodes graphs graph[][]="new" int[][] 0, 1, 2, }, 3, }; instantiating dijkstraalgorithm() class dijkstraalgorithm test="new" dijkstraalgorithm(); calling shortest node destination test.dijkstraalgorithm(graph, 0); pre> <p> <strong>Output</strong> </p> <pre> Distance from Vertex 0 to Vertex 0 is 0 Distance from Vertex 0 to Vertex 1 is 1 Distance from Vertex 0 to Vertex 2 is 1 Distance from Vertex 0 to Vertex 3 is 2 Distance from Vertex 0 to Vertex 4 is 4 Distance from Vertex 0 to Vertex 5 is 4 Distance from Vertex 0 to Vertex 6 is 3 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have defined a public class as <strong>DijkstraAlgorithm()</strong> . Inside this class, we have defined a public method as <strong>dijkstraAlgorithm()</strong> to find the shortest distance from the source vertex to the destination vertex. Inside this method, we have defined a variable to store the number of nodes. We have then defined a Boolean array to store the information regarding the visited vertices and an integer array to store their respective distances. Initially, we declared the values in both the arrays as <strong>False</strong> and <strong>MAX_VALUE</strong> , respectively. We have also set the distance of the source vertex as zero and used the <strong>for-loop</strong> to update the distance between the source vertex and destination vertices with the minimum distance. We have then updated the distances of the neighboring vertices of the selected vertex by performing relaxation and printed the shortest distances for every vertex. We have then defined a method to find the minimum distance from the source vertex to the destination vertex. We then defined the main function where we declared the vertices of the graph and instantiated the <strong>DijkstraAlgorithm()</strong> class. Finally, we have called the <strong>dijkstraAlgorithm()</strong> method to find the shortest distance between the source vertex and the destination vertices.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h3>Code for Dijkstra&apos;s Algorithm in Python</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the Python Programming Language:</p> <p> <strong>File: DikstraAlgorithm.py</strong> </p> <pre> # Implementation of Dijkstra&apos;s Algorithm in Python # importing the sys module import sys # declaring the list of nodes for the graph nodes = [ [0, 0, 1, 0, 1, 0, 0], [0, 0, 1, 0, 0, 1, 0], [1, 1, 0, 1, 1, 0, 0], [1, 0, 1, 0, 0, 0, 1], [0, 0, 1, 0, 0, 1, 0], [0, 1, 0, 0, 1, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # declaring the list of edges for the graph edges = [ [0, 0, 1, 0, 2, 0, 0], [0, 0, 2, 0, 0, 3, 0], [1, 2, 0, 1, 3, 0, 0], [2, 0, 1, 0, 0, 0, 1], [0, 0, 3, 0, 0, 2, 0], [0, 3, 0, 0, 2, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # defining the function to find which node is to be visited next def toBeVisited(): global visitedAndDistance v = -10 for index in range(numberOfNodes): if visitedAndDistance[index][0] == 0 and (v <0 1 or visitedanddistance[index][1] <="visitedAndDistance[v][1]):" v="index" return # finding the number of nodes in graph numberofnodes="len(nodes[0])" visitedanddistance="[[0," 0]] for i range(numberofnodes - 1): visitedanddistance.append([0, sys.maxsize]) node range(numberofnodes): next to be visited tovisit="toBeVisited()" neighborindex updating new distances if nodes[tovisit][neighborindex]="=" and visitedanddistance[neighborindex][0]="=" 0: newdistance="visitedAndDistance[toVisit][1]" + edges[tovisit][neighborindex] visitedanddistance[neighborindex][1]> newDistance: visitedAndDistance[neighborIndex][1] = newDistance visitedAndDistance[toVisit][0] = 1 i = 0 # printing the distance for distance in visitedAndDistance: print(&apos;Distance of&apos;, chr(ord(&apos;A&apos;) + i), &apos;from source node:&apos;, distance[1]) i = i + 1 </0></pre> <p> <strong>Output</strong> </p> <pre> Distance of A from source node: 0 Distance of B from source node: 3 Distance of C from source node: 1 Distance of D from source node: 2 Distance of E from source node: 2 Distance of F from source node: 4 Distance of G from source node: 3 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have imported the <strong>sys</strong> module and declared the lists consisting of the values for the nodes and edges. We have then defined a function as <strong>toBeVisited()</strong> to find which node will be visited next. We then found the total number of nodes in the graph and set the initial distances for every node. We have then calculated the minimum distance from the source node to the destination node, performed relaxation on neighboring nodes, and updated the distances in the list. We then printed those distances from the list for the users.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h2>Time and Space Complexity of Dijkstra&apos;s Algorithm</h2> <ul> <li>The Time Complexity of Dijkstra&apos;s Algorithm is <strong>O(E log V)</strong> , where E is the number of edges and V is the number of vertices.</li> <li>The Space Complexity of Dijkstra&apos;s Algorithm is O(V), where V is the number of vertices.</li> </ul> <h2>Advantages and Disadvantages of Dijkstra&apos;s Algorithm</h2> <p> <strong>Let us discuss some advantages of Dijkstra&apos;s Algorithm:</strong> </p> <ol class="points"> <li>One primary advantage of using Dijkstra&apos;s Algorithm is that it has an almost linear time and space complexity.</li> <li>We can use this algorithm to calculate the shortest path from a single vertex to all other vertices and a single source vertex to a single destination vertex by stopping the algorithm once we get the shortest distance for the destination vertex.</li> <li>This algorithm only works for directed weighted graphs, and all the edges of this graph should be non-negative.</li> </ol> <p> <strong>Despite having multiple advantages, Dijkstra&apos;s algorithm has some disadvantages also, such as:</strong> </p> <ol class="points"> <li>Dijkstra&apos;s Algorithm performs a concealed exploration that utilizes a lot of time during the process.</li> <li>This algorithm is impotent to handle negative edges.</li> <li>Since this algorithm heads to the acyclic graph, it cannot calculate the exact shortest path.</li> <li>It also requires maintenance to keep a record of vertices that have been visited.</li> </ol> <h2>Some Applications of Dijkstra&apos;s Algorithm</h2> <p> <strong>Dijkstra&apos;s Algorithm has various real-world applications, some of which are stated below:</strong> </p> <ol class="points"> <tr><td>Digital Mapping Services in Google Maps:</td> There are various times when we have tried to find the distance in Google Maps either from our location to the nearest preferred location or from one city to another, which comprises multiple routes/paths connecting them; however, the application must display the minimum distance. This is only possible because Dijkstra&apos;s algorithm helps the application find the shortest between two given locations along the path. Let us consider the USA as a graph wherein the cities/places are represented as vertices, and the routes between two cities/places are represented as edges. Then with the help of Dijkstra&apos;s Algorithm, we can calculate the shortest routes between any two cities/places. </tr><tr><td>Social Networking Applications:</td> In many applications like Facebook, Twitter, Instagram, and more, many of us might have observed that these apps suggest the list of friends that a specific user may know. How do many social media companies implement this type of feature in an efficient and effective way, specifically when the system has over a billion users? The answer to this question is Dijkstra&apos;s Algorithm. The standard Dijkstra&apos;s Algorithm is generally used to estimate the shortest distance between the users measured through the connections or mutuality among them. When social networking is very small, it uses the standard Dijkstra&apos;s Algorithm in addition to some other features in order to determine the shortest paths. However, when the graph is much bigger, the standard algorithm takes several seconds to count, and thus, some advanced algorithms are used as the alternative. </tr><tr><td>Telephone Network:</td> As some of us might know, in a telephone network, each transmission line has a bandwidth, &apos;b&apos;. The bandwidth is the highest frequency that the transmission line can support. In general, if the frequency of the signal is higher in a specific line, the signal is reduced by that line. Bandwidth represents the amount of information that can be transmitted by the line. Let us consider a city a graph wherein the switching stations are represented using the vertices, the transmission lines are represented as the edges, and the bandwidth, &apos;b&apos;, is represented using the weight of the edges. Thus, as we can observe, the telephone network can also fall into the category of the shortest distance problem and can be solved using Dijkstra&apos;s Algorithm. </tr><tr><td>Flight Program:</td> Suppose that a person requires software to prepare an agenda of flights for customers. The agent has access to a database with all flights and airports. In addition to the flight number, origin airport, and destination, the flights also have departure and arrival times. So, in order to determine the earliest arrival time for the selected destination from the original airport and given start time, the agents make use of Dijkstra&apos;s Algorithm. </tr><tr><td>IP routing to find Open Shortest Path First:</td> Open Shortest Path First (abbreviated as OSPF) is a link-state routing protocol used to find the best path between the source and destination router with the help of its own Shortest Path First. Dijkstra&apos;s Algorithm is extensively utilized in the routing protocols required by the routers in order to update their forwarding table. The algorithm gives the shortest cost path from the source router to the other routers present in the network. </tr><tr><td>Robotic Path:</td> These days, drones and robots have come into existence, some operated manually and some automatically. The drones and robots which are operated automatically and used to deliver the packages to a given location or used for any certain task are configured with Dijkstra&apos;s Algorithm module so that whenever the source and destination are known, the drone and robot will move in the ordered direction by following the shortest path keeping the time taken to a minimum in order to deliver the packages. </tr><tr><td>Designate the File Server:</td> Dijkstra&apos;s Algorithm is also used to designate a file server in a Local Area Network (LAN). Suppose that an infinite period of time is needed for the transmission of the files from one computer to another. So, to minimize the number of &apos;hops&apos; from the file server to every other computer on the network, we will use Dijkstra&apos;s Algorithm. This algorithm will return the shortest path between the networks resulting in the minimum number of hops. </tr></ol> <h2>The Conclusion</h2> <ul> <li>In the above tutorial, firstly, we have understood the basic concepts of Graph along with its types and applications.</li> <li>We then learned about Dijkstra&apos;s Algorithm and its history.</li> <li>We have also understood the fundamental working of Dijkstra&apos;s Algorithm with the help of an example.</li> <li>After that, we studied how to write code for Dijkstra&apos;s Algorithm with the help of Pseudocode.</li> <li>We observed its implementation in programming languages like C, C++, Java, and Python with proper outputs and explanations.</li> <li>We have also understood the Time and Space Complexity of Dijkstra&apos;s Algorithm.</li> <li>Finally, we have discussed the advantages and disadvantages of Dijkstra&apos;s algorithm and some of its real-life applications.</li> </ul> <hr></nodes;></pre></size;></pre></size;></pre></distance[n]>

Explicació:

En el fragment de codi anterior, hem inclòs el stdio.h El fitxer de capçalera ha definit dos valors constants: INF = 9999 i MÀXIM = 10 . Hem declarat el prototipatge de la funció i després hem definit la funció per a l'algoritme de Dijkstra com Algoritme Dijkstra que accepta tres arguments: el gràfic que consta dels nodes, el nombre de nodes del gràfic i el node font. Dins d'aquesta funció, hem definit algunes estructures de dades com una matriu 2D que funcionarà com a Priority Queue per a l'algorisme, una matriu per mantenir la distància entre els nodes, una matriu per mantenir el registre dels nodes anteriors, una matriu per emmagatzemar la informació dels nodes visitats i algunes variables senceres per emmagatzemar el valor de distància mínima, el comptador, el valor del node següent i molt més. Després hem utilitzat a bucle for imbricat per iterar pels nodes del gràfic i afegir-los a la cua de prioritats en conseqüència. Hem tornat a utilitzar el for-loop per iterar pels elements de la cua de prioritats a partir del node font i actualitzar les seves distàncies. Fora del bucle, hem establert la distància del node font com a 0 i el va marcar com a visitat al nodes_visitats[] matriu. A continuació, establim el valor del comptador com a un i hem utilitzat el mentre bucle que itera el nombre de nodes. Dins d'aquest bucle, hem establert el valor de distància_mínima com INF i va utilitzar el for-loop per actualitzar el valor de la distància_mínima variable amb el valor mínim de a distància[] matriu. A continuació, vam iterar a través dels nodes veïns no visitats del node seleccionat utilitzant el for-loop i realitzat la relaxació. Després vam imprimir les dades resultants de les distàncies calculades mitjançant l'algoritme de Dijkstra.

En el principal funció, hem definit i declarat les variables que representen el gràfic, el nombre de nodes i el node font. Finalment, hem trucat al Algoritme Dijkstra() funció passant els paràmetres requerits.

Com a resultat, els usuaris s'imprimeixen els camins més curts possibles per a cada node des del node d'origen.

Codi per a l'algoritme de Dijkstra en C++

El següent és la implementació de l'algoritme de Dijkstra en el llenguatge de programació C++:

Fitxer: DijkstraAlgorithm.cpp

 // Implementation of Dijkstra&apos;s Algorithm in C++ // importing the required header files #include #include // defining constant #define MAX_INT 10000000 // using the standard namespace using namespace std; // prototyping of the DijkstraAlgorithm() function void DijkstraAlgorithm(); // main function int main() { DijkstraAlgorithm(); return 0; } // declaring the classes class Vertex; class Edge; // prototyping the functions void Dijkstra(); vector* Adjacent_Remaining_Nodes(Vertex* vertex); Vertex* Extract_Smallest(vector&amp; vertices); int Distance(Vertex* vertexOne, Vertex* vertexTwo); bool Contains(vector&amp; vertices, Vertex* vertex); void Print_Shortest_Route_To(Vertex* des); // instantiating the classes vector vertices; vector edges; // defining the class for the vertices of the graph class Vertex { public: Vertex(char id) : id(id), prev(NULL), distance_from_start(MAX_INT) { vertices.push_back(this); } public: char id; Vertex* prev; int distance_from_start; }; // defining the class for the edges of the graph class Edge { public: Edge(Vertex* vertexOne, Vertex* vertexTwo, int distance) : vertexOne(vertexOne), vertexTwo(vertexTwo), distance(distance) { edges.push_back(this); } bool Connects(Vertex* vertexOne, Vertex* vertexTwo) public: Vertex* vertexOne; Vertex* vertexTwo; int distance; }; // defining the function to collect the details of the graph void DijkstraAlgorithm() { // declaring some vertices Vertex* vertex_a = new Vertex(&apos;A&apos;); Vertex* vertex_b = new Vertex(&apos;B&apos;); Vertex* vertex_c = new Vertex(&apos;C&apos;); Vertex* vertex_d = new Vertex(&apos;D&apos;); Vertex* vertex_e = new Vertex(&apos;E&apos;); Vertex* vertex_f = new Vertex(&apos;F&apos;); Vertex* vertex_g = new Vertex(&apos;G&apos;); // declaring some edges Edge* edge_1 = new Edge(vertex_a, vertex_c, 1); Edge* edge_2 = new Edge(vertex_a, vertex_d, 2); Edge* edge_3 = new Edge(vertex_b, vertex_c, 2); Edge* edge_4 = new Edge(vertex_c, vertex_d, 1); Edge* edge_5 = new Edge(vertex_b, vertex_f, 3); Edge* edge_6 = new Edge(vertex_c, vertex_e, 3); Edge* edge_7 = new Edge(vertex_e, vertex_f, 2); Edge* edge_8 = new Edge(vertex_d, vertex_g, 1); Edge* edge_9 = new Edge(vertex_g, vertex_f, 1); vertex_a -&gt; distance_from_start = 0; // setting a start vertex // calling the Dijkstra() function to find the shortest route possible Dijkstra(); // calling the Print_Shortest_Route_To() function to print the shortest route from the source vertex to the destination vertex Print_Shortest_Route_To(vertex_f); } // defining the function for Dijkstra&apos;s Algorithm void Dijkstra() { while (vertices.size() &gt; 0) { Vertex* smallest = Extract_Smallest(vertices); vector* adjacent_nodes = Adjacent_Remaining_Nodes(smallest); const int size = adjacent_nodes -&gt; size(); for (int i = 0; i at(i); int distance = Distance(smallest, adjacent) + smallest -&gt; distance_from_start; if (distance distance_from_start) { adjacent -&gt; distance_from_start = distance; adjacent -&gt; prev = smallest; } } delete adjacent_nodes; } } // defining the function to find the vertex with the shortest distance, removing it, and returning it Vertex* Extract_Smallest(vector&amp; vertices) { int size = vertices.size(); if (size == 0) return NULL; int smallest_position = 0; Vertex* smallest = vertices.at(0); for (int i = 1; i distance_from_start distance_from_start) { smallest = current; smallest_position = i; } } vertices.erase(vertices.begin() + smallest_position); return smallest; } // defining the function to return all vertices adjacent to &apos;vertex&apos; which are still in the &apos;vertices&apos; collection. vector* Adjacent_Remaining_Nodes(Vertex* vertex) { vector* adjacent_nodes = new vector(); const int size = edges.size(); for (int i = 0; i vertexOne == vertex) { adjacent = edge -&gt; vertexTwo; } else if (edge -&gt; vertexTwo == vertex) { adjacent = edge -&gt; vertexOne; } if (adjacent &amp;&amp; Contains(vertices, adjacent)) { adjacent_nodes -&gt; push_back(adjacent); } } return adjacent_nodes; } // defining the function to return distance between two connected vertices int Distance(Vertex* vertexOne, Vertex* vertexTwo) { const int size = edges.size(); for (int i = 0; i Connects(vertexOne, vertexTwo)) { return edge -&gt; distance; } } return -1; // should never happen } // defining the function to check if the &apos;vertices&apos; vector contains &apos;vertex&apos; bool Contains(vector&amp; vertices, Vertex* vertex) { const int size = vertices.size(); for (int i = 0; i <size; ++i) { if (vertex="=" vertices.at(i)) return true; } false; defining the function to print shortest route destination void print_shortest_route_to(vertex* des) vertex* prev="des;" cout << \'distance from start: \' < distance_from_start endl; while (prev) id prev; pre> <p> <strong>Output</strong> </p> <pre> Distance from start: 4 F G D A </pre> <p> <strong>Explanation:</strong> </p> <p>In the above code snippet, we included the <strong>&apos;iostream&apos;</strong> and <strong>&apos;vector&apos;</strong> header files and defined a constant value as <strong>MAX_INT = 10000000</strong> . We then used the standard namespace and prototyped the <strong>DijkstraAlgorithm()</strong> function. We then defined the main function of the program within, which we have called the <strong>DijkstraAlgorithm()</strong> function. After that, we declared some classes to create vertices and edges. We have also prototyped more functions to find the shortest possible path from the source vertex to the destination vertex and instantiated the Vertex and Edge classes. We then defined both classes to create the vertices and edges of the graph. We have then defined the <strong>DijkstraAlgorithm()</strong> function to create a graph and perform different operations. Inside this function, we have declared some vertices and edges. We then set the source vertex of the graph and called the <strong>Dijkstra()</strong> function to find the shortest possible distance and <strong>Print_Shortest_Route_To()</strong> function to print the shortest distance from the source vertex to vertex <strong>&apos;F&apos;</strong> . We have then defined the <strong>Dijkstra()</strong> function to calculate the shortest possible distances of the all the vertices from the source vertex. We have also defined some more functions to find the vertex with the shortest distance to return all the vertices adjacent to the remaining vertex, to return the distance between two connected vertices, to check if the selected vertex exists in the graph, and to print the shortest possible path from the source vertex to the destination vertex.</p> <p>As a result, the required shortest path for the vertex <strong>&apos;F&apos;</strong> from the source node is printed for the users.</p> <h3>Code for Dijkstra&apos;s Algorithm in Java</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the Java Programming Language:</p> <p> <strong>File: DijkstraAlgorithm.java</strong> </p> <pre> // Implementation of Dijkstra&apos;s Algorithm in Java // defining the public class for Dijkstra&apos;s Algorithm public class DijkstraAlgorithm { // defining the method to implement Dijkstra&apos;s Algorithm public void dijkstraAlgorithm(int[][] graph, int source) { // number of nodes int nodes = graph.length; boolean[] visited_vertex = new boolean[nodes]; int[] dist = new int[nodes]; for (int i = 0; i <nodes; 0 1 i++) { visited_vertex[i]="false;" dist[i]="Integer.MAX_VALUE;" } distance of self loop is zero dist[source]="0;" for (int i="0;" < nodes; updating the between neighboring vertex and source int u="find_min_distance(dist," visited_vertex); visited_vertex[u]="true;" distances all vertices v="0;" v++) if (!visited_vertex[v] && graph[u][v] !="0" (dist[u] + dist[v])) dist[v]="dist[u]" graph[u][v]; dist.length; system.out.println(string.format(\'distance from %s to %s\', source, i, dist[i])); defining method find minimum private static find_min_distance(int[] dist, boolean[] visited_vertex) minimum_distance="Integer.MAX_VALUE;" minimum_distance_vertex="-1;" (!visited_vertex[i] minimum_distance) return minimum_distance_vertex; main function public void main(string[] args) declaring nodes graphs graph[][]="new" int[][] 0, 1, 2, }, 3, }; instantiating dijkstraalgorithm() class dijkstraalgorithm test="new" dijkstraalgorithm(); calling shortest node destination test.dijkstraalgorithm(graph, 0); pre> <p> <strong>Output</strong> </p> <pre> Distance from Vertex 0 to Vertex 0 is 0 Distance from Vertex 0 to Vertex 1 is 1 Distance from Vertex 0 to Vertex 2 is 1 Distance from Vertex 0 to Vertex 3 is 2 Distance from Vertex 0 to Vertex 4 is 4 Distance from Vertex 0 to Vertex 5 is 4 Distance from Vertex 0 to Vertex 6 is 3 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have defined a public class as <strong>DijkstraAlgorithm()</strong> . Inside this class, we have defined a public method as <strong>dijkstraAlgorithm()</strong> to find the shortest distance from the source vertex to the destination vertex. Inside this method, we have defined a variable to store the number of nodes. We have then defined a Boolean array to store the information regarding the visited vertices and an integer array to store their respective distances. Initially, we declared the values in both the arrays as <strong>False</strong> and <strong>MAX_VALUE</strong> , respectively. We have also set the distance of the source vertex as zero and used the <strong>for-loop</strong> to update the distance between the source vertex and destination vertices with the minimum distance. We have then updated the distances of the neighboring vertices of the selected vertex by performing relaxation and printed the shortest distances for every vertex. We have then defined a method to find the minimum distance from the source vertex to the destination vertex. We then defined the main function where we declared the vertices of the graph and instantiated the <strong>DijkstraAlgorithm()</strong> class. Finally, we have called the <strong>dijkstraAlgorithm()</strong> method to find the shortest distance between the source vertex and the destination vertices.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h3>Code for Dijkstra&apos;s Algorithm in Python</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the Python Programming Language:</p> <p> <strong>File: DikstraAlgorithm.py</strong> </p> <pre> # Implementation of Dijkstra&apos;s Algorithm in Python # importing the sys module import sys # declaring the list of nodes for the graph nodes = [ [0, 0, 1, 0, 1, 0, 0], [0, 0, 1, 0, 0, 1, 0], [1, 1, 0, 1, 1, 0, 0], [1, 0, 1, 0, 0, 0, 1], [0, 0, 1, 0, 0, 1, 0], [0, 1, 0, 0, 1, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # declaring the list of edges for the graph edges = [ [0, 0, 1, 0, 2, 0, 0], [0, 0, 2, 0, 0, 3, 0], [1, 2, 0, 1, 3, 0, 0], [2, 0, 1, 0, 0, 0, 1], [0, 0, 3, 0, 0, 2, 0], [0, 3, 0, 0, 2, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # defining the function to find which node is to be visited next def toBeVisited(): global visitedAndDistance v = -10 for index in range(numberOfNodes): if visitedAndDistance[index][0] == 0 and (v <0 1 or visitedanddistance[index][1] <="visitedAndDistance[v][1]):" v="index" return # finding the number of nodes in graph numberofnodes="len(nodes[0])" visitedanddistance="[[0," 0]] for i range(numberofnodes - 1): visitedanddistance.append([0, sys.maxsize]) node range(numberofnodes): next to be visited tovisit="toBeVisited()" neighborindex updating new distances if nodes[tovisit][neighborindex]="=" and visitedanddistance[neighborindex][0]="=" 0: newdistance="visitedAndDistance[toVisit][1]" + edges[tovisit][neighborindex] visitedanddistance[neighborindex][1]> newDistance: visitedAndDistance[neighborIndex][1] = newDistance visitedAndDistance[toVisit][0] = 1 i = 0 # printing the distance for distance in visitedAndDistance: print(&apos;Distance of&apos;, chr(ord(&apos;A&apos;) + i), &apos;from source node:&apos;, distance[1]) i = i + 1 </0></pre> <p> <strong>Output</strong> </p> <pre> Distance of A from source node: 0 Distance of B from source node: 3 Distance of C from source node: 1 Distance of D from source node: 2 Distance of E from source node: 2 Distance of F from source node: 4 Distance of G from source node: 3 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have imported the <strong>sys</strong> module and declared the lists consisting of the values for the nodes and edges. We have then defined a function as <strong>toBeVisited()</strong> to find which node will be visited next. We then found the total number of nodes in the graph and set the initial distances for every node. We have then calculated the minimum distance from the source node to the destination node, performed relaxation on neighboring nodes, and updated the distances in the list. We then printed those distances from the list for the users.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h2>Time and Space Complexity of Dijkstra&apos;s Algorithm</h2> <ul> <li>The Time Complexity of Dijkstra&apos;s Algorithm is <strong>O(E log V)</strong> , where E is the number of edges and V is the number of vertices.</li> <li>The Space Complexity of Dijkstra&apos;s Algorithm is O(V), where V is the number of vertices.</li> </ul> <h2>Advantages and Disadvantages of Dijkstra&apos;s Algorithm</h2> <p> <strong>Let us discuss some advantages of Dijkstra&apos;s Algorithm:</strong> </p> <ol class="points"> <li>One primary advantage of using Dijkstra&apos;s Algorithm is that it has an almost linear time and space complexity.</li> <li>We can use this algorithm to calculate the shortest path from a single vertex to all other vertices and a single source vertex to a single destination vertex by stopping the algorithm once we get the shortest distance for the destination vertex.</li> <li>This algorithm only works for directed weighted graphs, and all the edges of this graph should be non-negative.</li> </ol> <p> <strong>Despite having multiple advantages, Dijkstra&apos;s algorithm has some disadvantages also, such as:</strong> </p> <ol class="points"> <li>Dijkstra&apos;s Algorithm performs a concealed exploration that utilizes a lot of time during the process.</li> <li>This algorithm is impotent to handle negative edges.</li> <li>Since this algorithm heads to the acyclic graph, it cannot calculate the exact shortest path.</li> <li>It also requires maintenance to keep a record of vertices that have been visited.</li> </ol> <h2>Some Applications of Dijkstra&apos;s Algorithm</h2> <p> <strong>Dijkstra&apos;s Algorithm has various real-world applications, some of which are stated below:</strong> </p> <ol class="points"> <tr><td>Digital Mapping Services in Google Maps:</td> There are various times when we have tried to find the distance in Google Maps either from our location to the nearest preferred location or from one city to another, which comprises multiple routes/paths connecting them; however, the application must display the minimum distance. This is only possible because Dijkstra&apos;s algorithm helps the application find the shortest between two given locations along the path. Let us consider the USA as a graph wherein the cities/places are represented as vertices, and the routes between two cities/places are represented as edges. Then with the help of Dijkstra&apos;s Algorithm, we can calculate the shortest routes between any two cities/places. </tr><tr><td>Social Networking Applications:</td> In many applications like Facebook, Twitter, Instagram, and more, many of us might have observed that these apps suggest the list of friends that a specific user may know. How do many social media companies implement this type of feature in an efficient and effective way, specifically when the system has over a billion users? The answer to this question is Dijkstra&apos;s Algorithm. The standard Dijkstra&apos;s Algorithm is generally used to estimate the shortest distance between the users measured through the connections or mutuality among them. When social networking is very small, it uses the standard Dijkstra&apos;s Algorithm in addition to some other features in order to determine the shortest paths. However, when the graph is much bigger, the standard algorithm takes several seconds to count, and thus, some advanced algorithms are used as the alternative. </tr><tr><td>Telephone Network:</td> As some of us might know, in a telephone network, each transmission line has a bandwidth, &apos;b&apos;. The bandwidth is the highest frequency that the transmission line can support. In general, if the frequency of the signal is higher in a specific line, the signal is reduced by that line. Bandwidth represents the amount of information that can be transmitted by the line. Let us consider a city a graph wherein the switching stations are represented using the vertices, the transmission lines are represented as the edges, and the bandwidth, &apos;b&apos;, is represented using the weight of the edges. Thus, as we can observe, the telephone network can also fall into the category of the shortest distance problem and can be solved using Dijkstra&apos;s Algorithm. </tr><tr><td>Flight Program:</td> Suppose that a person requires software to prepare an agenda of flights for customers. The agent has access to a database with all flights and airports. In addition to the flight number, origin airport, and destination, the flights also have departure and arrival times. So, in order to determine the earliest arrival time for the selected destination from the original airport and given start time, the agents make use of Dijkstra&apos;s Algorithm. </tr><tr><td>IP routing to find Open Shortest Path First:</td> Open Shortest Path First (abbreviated as OSPF) is a link-state routing protocol used to find the best path between the source and destination router with the help of its own Shortest Path First. Dijkstra&apos;s Algorithm is extensively utilized in the routing protocols required by the routers in order to update their forwarding table. The algorithm gives the shortest cost path from the source router to the other routers present in the network. </tr><tr><td>Robotic Path:</td> These days, drones and robots have come into existence, some operated manually and some automatically. The drones and robots which are operated automatically and used to deliver the packages to a given location or used for any certain task are configured with Dijkstra&apos;s Algorithm module so that whenever the source and destination are known, the drone and robot will move in the ordered direction by following the shortest path keeping the time taken to a minimum in order to deliver the packages. </tr><tr><td>Designate the File Server:</td> Dijkstra&apos;s Algorithm is also used to designate a file server in a Local Area Network (LAN). Suppose that an infinite period of time is needed for the transmission of the files from one computer to another. So, to minimize the number of &apos;hops&apos; from the file server to every other computer on the network, we will use Dijkstra&apos;s Algorithm. This algorithm will return the shortest path between the networks resulting in the minimum number of hops. </tr></ol> <h2>The Conclusion</h2> <ul> <li>In the above tutorial, firstly, we have understood the basic concepts of Graph along with its types and applications.</li> <li>We then learned about Dijkstra&apos;s Algorithm and its history.</li> <li>We have also understood the fundamental working of Dijkstra&apos;s Algorithm with the help of an example.</li> <li>After that, we studied how to write code for Dijkstra&apos;s Algorithm with the help of Pseudocode.</li> <li>We observed its implementation in programming languages like C, C++, Java, and Python with proper outputs and explanations.</li> <li>We have also understood the Time and Space Complexity of Dijkstra&apos;s Algorithm.</li> <li>Finally, we have discussed the advantages and disadvantages of Dijkstra&apos;s algorithm and some of its real-life applications.</li> </ul> <hr></nodes;></pre></size;>

Explicació:

Al fragment de codi anterior, hem inclòs el 'iostream' i 'vector' fitxers de capçalera i es va definir un valor constant com MAX_INT = 10000000 . Després vam utilitzar l'espai de noms estàndard i vam fer un prototip Algoritme Dijkstra() funció. Després vam definir la funció principal del programa dins, que hem anomenat Algoritme Dijkstra() funció. Després d'això, vam declarar algunes classes per crear vèrtexs i arestes. També hem creat prototips de més funcions per trobar el camí més curt possible des del vèrtex d'origen fins al vèrtex de destinació i hem creat una instancia de les classes Vertex i Edge. Després vam definir ambdues classes per crear els vèrtexs i les arestes del gràfic. Aleshores hem definit el Algoritme Dijkstra() funció per crear un gràfic i realitzar diferents operacions. Dins d'aquesta funció, hem declarat alguns vèrtexs i arestes. Aleshores establim el vèrtex font del gràfic i anomenem el Dijkstra() funció per trobar la distància més curta possible i Imprimeix_la_ruta_més curta_a() funció per imprimir la distància més curta des del vèrtex font fins al vèrtex 'F' . Aleshores hem definit el Dijkstra() funció per calcular les distàncies més curtes possibles de tots els vèrtexs des del vèrtex font. També hem definit algunes funcions més per trobar el vèrtex amb la distància més curta per tornar tots els vèrtexs adjacents al vèrtex restant, per retornar la distància entre dos vèrtexs connectats, per comprovar si el vèrtex seleccionat existeix al gràfic i per imprimir el camí més curt possible des del vèrtex d'origen fins al vèrtex de destinació.

Com a resultat, el camí més curt requerit per al vèrtex 'F' des del node font s'imprimeix per als usuaris.

Codi per a l'algoritme de Dijkstra a Java

A continuació es mostra la implementació de l'algoritme de Dijkstra en el llenguatge de programació Java:

Fitxer: DijkstraAlgorithm.java

 // Implementation of Dijkstra&apos;s Algorithm in Java // defining the public class for Dijkstra&apos;s Algorithm public class DijkstraAlgorithm { // defining the method to implement Dijkstra&apos;s Algorithm public void dijkstraAlgorithm(int[][] graph, int source) { // number of nodes int nodes = graph.length; boolean[] visited_vertex = new boolean[nodes]; int[] dist = new int[nodes]; for (int i = 0; i <nodes; 0 1 i++) { visited_vertex[i]="false;" dist[i]="Integer.MAX_VALUE;" } distance of self loop is zero dist[source]="0;" for (int i="0;" < nodes; updating the between neighboring vertex and source int u="find_min_distance(dist," visited_vertex); visited_vertex[u]="true;" distances all vertices v="0;" v++) if (!visited_vertex[v] && graph[u][v] !="0" (dist[u] + dist[v])) dist[v]="dist[u]" graph[u][v]; dist.length; system.out.println(string.format(\'distance from %s to %s\', source, i, dist[i])); defining method find minimum private static find_min_distance(int[] dist, boolean[] visited_vertex) minimum_distance="Integer.MAX_VALUE;" minimum_distance_vertex="-1;" (!visited_vertex[i] minimum_distance) return minimum_distance_vertex; main function public void main(string[] args) declaring nodes graphs graph[][]="new" int[][] 0, 1, 2, }, 3, }; instantiating dijkstraalgorithm() class dijkstraalgorithm test="new" dijkstraalgorithm(); calling shortest node destination test.dijkstraalgorithm(graph, 0); pre> <p> <strong>Output</strong> </p> <pre> Distance from Vertex 0 to Vertex 0 is 0 Distance from Vertex 0 to Vertex 1 is 1 Distance from Vertex 0 to Vertex 2 is 1 Distance from Vertex 0 to Vertex 3 is 2 Distance from Vertex 0 to Vertex 4 is 4 Distance from Vertex 0 to Vertex 5 is 4 Distance from Vertex 0 to Vertex 6 is 3 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have defined a public class as <strong>DijkstraAlgorithm()</strong> . Inside this class, we have defined a public method as <strong>dijkstraAlgorithm()</strong> to find the shortest distance from the source vertex to the destination vertex. Inside this method, we have defined a variable to store the number of nodes. We have then defined a Boolean array to store the information regarding the visited vertices and an integer array to store their respective distances. Initially, we declared the values in both the arrays as <strong>False</strong> and <strong>MAX_VALUE</strong> , respectively. We have also set the distance of the source vertex as zero and used the <strong>for-loop</strong> to update the distance between the source vertex and destination vertices with the minimum distance. We have then updated the distances of the neighboring vertices of the selected vertex by performing relaxation and printed the shortest distances for every vertex. We have then defined a method to find the minimum distance from the source vertex to the destination vertex. We then defined the main function where we declared the vertices of the graph and instantiated the <strong>DijkstraAlgorithm()</strong> class. Finally, we have called the <strong>dijkstraAlgorithm()</strong> method to find the shortest distance between the source vertex and the destination vertices.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h3>Code for Dijkstra&apos;s Algorithm in Python</h3> <p>The following is the implementation of Dijkstra&apos;s Algorithm in the Python Programming Language:</p> <p> <strong>File: DikstraAlgorithm.py</strong> </p> <pre> # Implementation of Dijkstra&apos;s Algorithm in Python # importing the sys module import sys # declaring the list of nodes for the graph nodes = [ [0, 0, 1, 0, 1, 0, 0], [0, 0, 1, 0, 0, 1, 0], [1, 1, 0, 1, 1, 0, 0], [1, 0, 1, 0, 0, 0, 1], [0, 0, 1, 0, 0, 1, 0], [0, 1, 0, 0, 1, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # declaring the list of edges for the graph edges = [ [0, 0, 1, 0, 2, 0, 0], [0, 0, 2, 0, 0, 3, 0], [1, 2, 0, 1, 3, 0, 0], [2, 0, 1, 0, 0, 0, 1], [0, 0, 3, 0, 0, 2, 0], [0, 3, 0, 0, 2, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # defining the function to find which node is to be visited next def toBeVisited(): global visitedAndDistance v = -10 for index in range(numberOfNodes): if visitedAndDistance[index][0] == 0 and (v <0 1 or visitedanddistance[index][1] <="visitedAndDistance[v][1]):" v="index" return # finding the number of nodes in graph numberofnodes="len(nodes[0])" visitedanddistance="[[0," 0]] for i range(numberofnodes - 1): visitedanddistance.append([0, sys.maxsize]) node range(numberofnodes): next to be visited tovisit="toBeVisited()" neighborindex updating new distances if nodes[tovisit][neighborindex]="=" and visitedanddistance[neighborindex][0]="=" 0: newdistance="visitedAndDistance[toVisit][1]" + edges[tovisit][neighborindex] visitedanddistance[neighborindex][1]> newDistance: visitedAndDistance[neighborIndex][1] = newDistance visitedAndDistance[toVisit][0] = 1 i = 0 # printing the distance for distance in visitedAndDistance: print(&apos;Distance of&apos;, chr(ord(&apos;A&apos;) + i), &apos;from source node:&apos;, distance[1]) i = i + 1 </0></pre> <p> <strong>Output</strong> </p> <pre> Distance of A from source node: 0 Distance of B from source node: 3 Distance of C from source node: 1 Distance of D from source node: 2 Distance of E from source node: 2 Distance of F from source node: 4 Distance of G from source node: 3 </pre> <p> <strong>Explanation:</strong> </p> <p>In the above snippet of code, we have imported the <strong>sys</strong> module and declared the lists consisting of the values for the nodes and edges. We have then defined a function as <strong>toBeVisited()</strong> to find which node will be visited next. We then found the total number of nodes in the graph and set the initial distances for every node. We have then calculated the minimum distance from the source node to the destination node, performed relaxation on neighboring nodes, and updated the distances in the list. We then printed those distances from the list for the users.</p> <p>As a result, the required shortest possible paths for every node from the source node are printed for the users.</p> <h2>Time and Space Complexity of Dijkstra&apos;s Algorithm</h2> <ul> <li>The Time Complexity of Dijkstra&apos;s Algorithm is <strong>O(E log V)</strong> , where E is the number of edges and V is the number of vertices.</li> <li>The Space Complexity of Dijkstra&apos;s Algorithm is O(V), where V is the number of vertices.</li> </ul> <h2>Advantages and Disadvantages of Dijkstra&apos;s Algorithm</h2> <p> <strong>Let us discuss some advantages of Dijkstra&apos;s Algorithm:</strong> </p> <ol class="points"> <li>One primary advantage of using Dijkstra&apos;s Algorithm is that it has an almost linear time and space complexity.</li> <li>We can use this algorithm to calculate the shortest path from a single vertex to all other vertices and a single source vertex to a single destination vertex by stopping the algorithm once we get the shortest distance for the destination vertex.</li> <li>This algorithm only works for directed weighted graphs, and all the edges of this graph should be non-negative.</li> </ol> <p> <strong>Despite having multiple advantages, Dijkstra&apos;s algorithm has some disadvantages also, such as:</strong> </p> <ol class="points"> <li>Dijkstra&apos;s Algorithm performs a concealed exploration that utilizes a lot of time during the process.</li> <li>This algorithm is impotent to handle negative edges.</li> <li>Since this algorithm heads to the acyclic graph, it cannot calculate the exact shortest path.</li> <li>It also requires maintenance to keep a record of vertices that have been visited.</li> </ol> <h2>Some Applications of Dijkstra&apos;s Algorithm</h2> <p> <strong>Dijkstra&apos;s Algorithm has various real-world applications, some of which are stated below:</strong> </p> <ol class="points"> <tr><td>Digital Mapping Services in Google Maps:</td> There are various times when we have tried to find the distance in Google Maps either from our location to the nearest preferred location or from one city to another, which comprises multiple routes/paths connecting them; however, the application must display the minimum distance. This is only possible because Dijkstra&apos;s algorithm helps the application find the shortest between two given locations along the path. Let us consider the USA as a graph wherein the cities/places are represented as vertices, and the routes between two cities/places are represented as edges. Then with the help of Dijkstra&apos;s Algorithm, we can calculate the shortest routes between any two cities/places. </tr><tr><td>Social Networking Applications:</td> In many applications like Facebook, Twitter, Instagram, and more, many of us might have observed that these apps suggest the list of friends that a specific user may know. How do many social media companies implement this type of feature in an efficient and effective way, specifically when the system has over a billion users? The answer to this question is Dijkstra&apos;s Algorithm. The standard Dijkstra&apos;s Algorithm is generally used to estimate the shortest distance between the users measured through the connections or mutuality among them. When social networking is very small, it uses the standard Dijkstra&apos;s Algorithm in addition to some other features in order to determine the shortest paths. However, when the graph is much bigger, the standard algorithm takes several seconds to count, and thus, some advanced algorithms are used as the alternative. </tr><tr><td>Telephone Network:</td> As some of us might know, in a telephone network, each transmission line has a bandwidth, &apos;b&apos;. The bandwidth is the highest frequency that the transmission line can support. In general, if the frequency of the signal is higher in a specific line, the signal is reduced by that line. Bandwidth represents the amount of information that can be transmitted by the line. Let us consider a city a graph wherein the switching stations are represented using the vertices, the transmission lines are represented as the edges, and the bandwidth, &apos;b&apos;, is represented using the weight of the edges. Thus, as we can observe, the telephone network can also fall into the category of the shortest distance problem and can be solved using Dijkstra&apos;s Algorithm. </tr><tr><td>Flight Program:</td> Suppose that a person requires software to prepare an agenda of flights for customers. The agent has access to a database with all flights and airports. In addition to the flight number, origin airport, and destination, the flights also have departure and arrival times. So, in order to determine the earliest arrival time for the selected destination from the original airport and given start time, the agents make use of Dijkstra&apos;s Algorithm. </tr><tr><td>IP routing to find Open Shortest Path First:</td> Open Shortest Path First (abbreviated as OSPF) is a link-state routing protocol used to find the best path between the source and destination router with the help of its own Shortest Path First. Dijkstra&apos;s Algorithm is extensively utilized in the routing protocols required by the routers in order to update their forwarding table. The algorithm gives the shortest cost path from the source router to the other routers present in the network. </tr><tr><td>Robotic Path:</td> These days, drones and robots have come into existence, some operated manually and some automatically. The drones and robots which are operated automatically and used to deliver the packages to a given location or used for any certain task are configured with Dijkstra&apos;s Algorithm module so that whenever the source and destination are known, the drone and robot will move in the ordered direction by following the shortest path keeping the time taken to a minimum in order to deliver the packages. </tr><tr><td>Designate the File Server:</td> Dijkstra&apos;s Algorithm is also used to designate a file server in a Local Area Network (LAN). Suppose that an infinite period of time is needed for the transmission of the files from one computer to another. So, to minimize the number of &apos;hops&apos; from the file server to every other computer on the network, we will use Dijkstra&apos;s Algorithm. This algorithm will return the shortest path between the networks resulting in the minimum number of hops. </tr></ol> <h2>The Conclusion</h2> <ul> <li>In the above tutorial, firstly, we have understood the basic concepts of Graph along with its types and applications.</li> <li>We then learned about Dijkstra&apos;s Algorithm and its history.</li> <li>We have also understood the fundamental working of Dijkstra&apos;s Algorithm with the help of an example.</li> <li>After that, we studied how to write code for Dijkstra&apos;s Algorithm with the help of Pseudocode.</li> <li>We observed its implementation in programming languages like C, C++, Java, and Python with proper outputs and explanations.</li> <li>We have also understood the Time and Space Complexity of Dijkstra&apos;s Algorithm.</li> <li>Finally, we have discussed the advantages and disadvantages of Dijkstra&apos;s algorithm and some of its real-life applications.</li> </ul> <hr></nodes;>

Explicació:

En el fragment de codi anterior, hem definit una classe pública com Algoritme Dijkstra() . Dins d'aquesta classe, hem definit un mètode públic com dijkstraAlgorithm() per trobar la distància més curta des del vèrtex d'origen fins al vèrtex de destinació. Dins d'aquest mètode, hem definit una variable per emmagatzemar el nombre de nodes. Aleshores hem definit una matriu booleana per emmagatzemar la informació sobre els vèrtexs visitats i una matriu sencer per emmagatzemar les seves respectives distàncies. Inicialment, vam declarar els valors de les dues matrius com Fals i MAX_VALUE , respectivament. També hem establert la distància del vèrtex font com a zero i hem utilitzat el for-loop per actualitzar la distància entre el vèrtex d'origen i els vèrtexs de destinació amb la distància mínima. Aleshores hem actualitzat les distàncies dels vèrtexs veïns del vèrtex seleccionat realitzant la relaxació i hem imprès les distàncies més curtes per a cada vèrtex. Aleshores hem definit un mètode per trobar la distància mínima des del vèrtex d'origen fins al vèrtex de destinació. Aleshores vam definir la funció principal on vam declarar els vèrtexs del gràfic i vam instància Algoritme Dijkstra() classe. Finalment, hem anomenat el dijkstraAlgorithm() mètode per trobar la distància més curta entre el vèrtex d'origen i els vèrtexs de destinació.

Com a resultat, els usuaris s'imprimeixen els camins més curts possibles per a cada node des del node d'origen.

Codi per a l'algoritme de Dijkstra en Python

A continuació es mostra la implementació de l'algoritme de Dijkstra en el llenguatge de programació Python:

Fitxer: DikstraAlgorithm.py

 # Implementation of Dijkstra&apos;s Algorithm in Python # importing the sys module import sys # declaring the list of nodes for the graph nodes = [ [0, 0, 1, 0, 1, 0, 0], [0, 0, 1, 0, 0, 1, 0], [1, 1, 0, 1, 1, 0, 0], [1, 0, 1, 0, 0, 0, 1], [0, 0, 1, 0, 0, 1, 0], [0, 1, 0, 0, 1, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # declaring the list of edges for the graph edges = [ [0, 0, 1, 0, 2, 0, 0], [0, 0, 2, 0, 0, 3, 0], [1, 2, 0, 1, 3, 0, 0], [2, 0, 1, 0, 0, 0, 1], [0, 0, 3, 0, 0, 2, 0], [0, 3, 0, 0, 2, 0, 1], [0, 0, 0, 1, 0, 1, 0] ] # defining the function to find which node is to be visited next def toBeVisited(): global visitedAndDistance v = -10 for index in range(numberOfNodes): if visitedAndDistance[index][0] == 0 and (v <0 1 or visitedanddistance[index][1] <="visitedAndDistance[v][1]):" v="index" return # finding the number of nodes in graph numberofnodes="len(nodes[0])" visitedanddistance="[[0," 0]] for i range(numberofnodes - 1): visitedanddistance.append([0, sys.maxsize]) node range(numberofnodes): next to be visited tovisit="toBeVisited()" neighborindex updating new distances if nodes[tovisit][neighborindex]="=" and visitedanddistance[neighborindex][0]="=" 0: newdistance="visitedAndDistance[toVisit][1]" + edges[tovisit][neighborindex] visitedanddistance[neighborindex][1]> newDistance: visitedAndDistance[neighborIndex][1] = newDistance visitedAndDistance[toVisit][0] = 1 i = 0 # printing the distance for distance in visitedAndDistance: print(&apos;Distance of&apos;, chr(ord(&apos;A&apos;) + i), &apos;from source node:&apos;, distance[1]) i = i + 1 </0>

Sortida

 Distance of A from source node: 0 Distance of B from source node: 3 Distance of C from source node: 1 Distance of D from source node: 2 Distance of E from source node: 2 Distance of F from source node: 4 Distance of G from source node: 3 

Explicació:

Al fragment de codi anterior, hem importat el fitxer sys mòdul i va declarar les llistes que consisteixen en els valors dels nodes i les vores. Aleshores hem definit una funció com a ser visitat() per trobar quin node es visitarà a continuació. Aleshores vam trobar el nombre total de nodes al gràfic i vam establir les distàncies inicials per a cada node. Aleshores hem calculat la distància mínima des del node d'origen fins al node de destinació, hem realitzat relaxació als nodes veïns i hem actualitzat les distàncies de la llista. Després vam imprimir aquestes distàncies de la llista per als usuaris.

Com a resultat, els usuaris s'imprimeixen els camins més curts possibles per a cada node des del node d'origen.

Complexitat temporal i espacial de l'algoritme de Dijkstra

• La complexitat temporal de l'algoritme de Dijkstra és O(E log V) , on E és el nombre d'arestes i V és el nombre de vèrtexs.
• La complexitat espacial de l'algoritme de Dijkstra és O(V), on V és el nombre de vèrtexs.

Avantatges i desavantatges de l'algoritme de Dijkstra

Parlem d'alguns avantatges de l'algoritme de Dijkstra:

1. Un dels avantatges principals d'utilitzar l'algoritme de Dijkstra és que té una complexitat temporal i espacial gairebé lineal.
2. Podem utilitzar aquest algorisme per calcular el camí més curt des d'un únic vèrtex a tots els altres vèrtexs i un únic vèrtex d'origen a un únic vèrtex de destinació aturant l'algorisme un cop aconseguim la distància més curta per al vèrtex de destinació.
3. Aquest algorisme només funciona per a gràfics ponderats dirigits i totes les vores d'aquest gràfic no haurien de ser negatives.

Tot i tenir múltiples avantatges, l'algoritme de Dijkstra també té alguns desavantatges, com ara:

1. L'algoritme de Dijkstra realitza una exploració oculta que utilitza molt de temps durant el procés.
2. Aquest algorisme és impotent per gestionar vores negatives.
3. Com que aquest algorisme es dirigeix ​​al gràfic acíclic, no pot calcular el camí més curt exacte.
4. També requereix manteniment per mantenir un registre dels vèrtexs que s'han visitat.

Algunes aplicacions de l'algoritme de Dijkstra

L'algoritme de Dijkstra té diverses aplicacions del món real, algunes de les quals s'indiquen a continuació:

Serveis de cartografia digital a Google Maps:Hi ha diverses ocasions en què hem intentat trobar la distància a Google Maps, ja sigui des de la nostra ubicació fins a la ubicació preferida més propera o d'una ciutat a una altra, que inclou múltiples rutes/camins que els connecten; tanmateix, l'aplicació ha de mostrar la distància mínima. Això només és possible perquè l'algorisme de Dijkstra ajuda a l'aplicació a trobar el més curt entre dues ubicacions donades al llarg del camí. Considerem els EUA com un gràfic on les ciutats/llocs es representen com a vèrtexs i les rutes entre dues ciutats/llocs es representen com a arestes. Aleshores, amb l'ajuda de l'algoritme de Dijkstra, podem calcular les rutes més curtes entre dues ciutats/llocs.Aplicacions de xarxes socials:En moltes aplicacions com Facebook, Twitter, Instagram i més, molts de nosaltres podríem haver observat que aquestes aplicacions suggereixen la llista d'amics que pot conèixer un usuari concret. Com moltes empreses de xarxes socials implementen aquest tipus de funció d'una manera eficient i eficaç, concretament quan el sistema té més de mil milions d'usuaris? La resposta a aquesta pregunta és l'algoritme de Dijkstra. L'algoritme estàndard de Dijkstra s'utilitza generalment per estimar la distància més curta entre els usuaris mesurada a través de les connexions o la mutualitat entre ells. Quan les xarxes socials són molt petites, utilitza l'algoritme estàndard de Dijkstra a més d'altres funcions per determinar els camins més curts. Tanmateix, quan el gràfic és molt més gran, l'algorisme estàndard triga uns quants segons a comptar i, per tant, s'utilitzen alguns algorismes avançats com a alternativa.Xarxa telefònica:Com alguns de nosaltres podríem saber, en una xarxa telefònica, cada línia de transmissió té una amplada de banda, 'b'. L'ample de banda és la freqüència més alta que pot suportar la línia de transmissió. En general, si la freqüència del senyal és més alta en una línia específica, el senyal es redueix per aquesta línia. L'amplada de banda representa la quantitat d'informació que es pot transmetre per la línia. Considerem una ciutat com un gràfic on les estacions de commutació es representen mitjançant els vèrtexs, les línies de transmissió es representen com les vores i l'amplada de banda, 'b', es representa mitjançant el pes de les vores. Així, com podem observar, la xarxa telefònica també pot entrar en la categoria del problema de distància més curta i es pot resoldre mitjançant l'algoritme de Dijkstra.Programa de vol:Suposem que una persona necessita programari per preparar una agenda de vols per als clients. L'agent té accés a una base de dades amb tots els vols i aeroports. A més del número de vol, l'aeroport d'origen i la destinació, els vols també tenen horaris de sortida i arribada. Per tant, per determinar l'hora d'arribada més primerenca a la destinació seleccionada des de l'aeroport original i l'hora d'inici donada, els agents fan ús de l'algoritme de Dijkstra.Enrutament IP per trobar primer el camí més curt obert:Open Shortest Path First (abreujat com a OSPF) és un protocol d'encaminament d'estat d'enllaç utilitzat per trobar el millor camí entre l'encaminador d'origen i de destinació amb l'ajuda del seu propi Shortest Path First. L'algoritme de Dijkstra s'utilitza àmpliament en els protocols d'encaminament que requereixen els encaminadors per actualitzar la seva taula de reenviament. L'algorisme proporciona el camí de cost més curt des de l'encaminador d'origen fins als altres encaminadors presents a la xarxa.Camí robòtic:En aquests dies, han aparegut drons i robots, alguns accionats manualment i altres automàticament. Els drons i robots que funcionen automàticament i s'utilitzen per lliurar els paquets a una ubicació determinada o s'utilitzen per a qualsevol tasca determinada es configuren amb el mòdul d'algoritme de Dijkstra de manera que sempre que es conegui l'origen i la destinació, el dron i el robot es mouran en la direcció ordenada. seguint el camí més curt mantenint al mínim el temps necessari per lliurar els paquets.Designeu el servidor de fitxers:L'algoritme de Dijkstra també s'utilitza per designar un servidor de fitxers en una xarxa d'àrea local (LAN). Suposem que es necessita un període de temps infinit per a la transmissió dels fitxers d'un ordinador a un altre. Per tant, per minimitzar el nombre de 'salts' del servidor de fitxers a tots els altres ordinadors de la xarxa, utilitzarem l'algoritme de Dijkstra. Aquest algorisme retornarà el camí més curt entre les xarxes donant com a resultat el nombre mínim de salts.

La conclusió

• En el tutorial anterior, en primer lloc, hem entès els conceptes bàsics de Graph juntament amb els seus tipus i aplicacions.
• Després vam conèixer l'algoritme de Dijkstra i la seva història.
• També hem entès el funcionament fonamental de l'algoritme de Dijkstra amb l'ajuda d'un exemple.
• Després d'això, vam estudiar com escriure codi per a l'algoritme de Dijkstra amb l'ajuda de Pseudocode.
• Vam observar la seva implementació en llenguatges de programació com C, C++, Java i Python amb sortides i explicacions adequades.
• També hem entès la complexitat temporal i espacial de l'algoritme de Dijkstra.
• Finalment, hem comentat els avantatges i els desavantatges de l'algoritme de Dijkstra i algunes de les seves aplicacions a la vida real.