弗洛伊德算法(自动生成图)-推荐下载

合集下载

佛洛伊德算法

佛洛伊德算法

佛洛伊德算法
佛洛伊德算法(Floyd算法)是一种利用动态规划的思想寻找给定的加权图中多源点之间最短路径的算法,以创始人之一、1978年图灵奖获得者、斯坦福大学计算机科学系教授罗伯特·弗洛伊德命名。

该算法的基本思想是通过Floyd计算图G=(V,E)中各个顶点的最短路径时,需要引入一个矩阵S,矩阵S中的元素a[i][j]表示顶点i(第i个顶点)到顶点j(第j个顶点)的距离。

具体步骤如下:
1.初始化S。

矩阵S中顶点a[i][j]的距离为顶点i到顶点j的权值;如果i和j不相邻,则a[i][j]=∞。

实际上,就是将图的原始矩阵复制到S中。

2.以顶点A(第1个顶点)为中介点,若a[i][j]>a[i][0]+a[0][j],则设置a[i][j]=a[i][0]+a[0][j]。

请注意,在具体使用中,可能需要根据问题的具体情况对该算法进行适当的调整。

Floyd算法

Floyd算法

Floyd算法Floyd算法是一种经典的图论算法,用于求解带权有向图中任意两个顶点之间的最短路径问题。

该算法由美国数学家罗伯特·弗洛伊德(Robert Floyd)于1962年提出,因此得名为Floyd算法。

Floyd算法是一种动态规划算法,它采用了“分治”的思想,将问题分解为更小的子问题,然后逐步解决子问题,最终得到解决整个问题的结果。

本文将从算法的背景、基本思想、实现方法及优缺点等方面对Floyd 算法进行详细阐述和分析。

一、算法的背景在讲Floyd算法之前,我们先来了解一下最短路径问题。

顾名思义,最短路径问题就是在给定图中找到两个给定节点之间的一条最短路径,也就是路径上各边权值之和最小的路径。

这个问题在现实生活中有很多应用,比如网络路由、地图路径规划、航线安排等等。

在数学和计算机科学领域中,我们可以通过图论的方法来描述和解决这个问题。

一般来说,给定一张带权有向图G=(V, E),其中V表示节点的集合,E表示边的集合。

每条边E(i,j)的权重为w(i,j),表示从节点i到节点j的距离或成本。

那么最短路径问题就是在图中找到从节点s到节点t的一条最短路径P,并且P上的边权之和最小。

最初求解的思路是按照类似深度优先搜索的方式,逐个遍历所有路径,然后依次比较它们的距离,找到最短路径。

但这种方式显然是不可行的,因为它的时间复杂度非常高。

所以,我们需要设计一种更高效的算法,以求得最短路径问题的最优解。

二、算法的基本思想Floyd算法就是一种高效地解决最短路径问题的方法。

它采用了“动态规划”的思想,通过逐步求解子问题,最终得到完整的最短路径。

而解决子问题的方式则是采用了“分治”的思想,将问题分解为更小的子问题,然后逐步解决。

具体地说,Floyd算法采用了“中转节点”的概念,我们可以将问题转化为这样一个子问题:对于每个节点i和节点j,假设我们已经知道了它们之间的最短路径长度为d[i][j],那么考虑一下节点k作为中转节点,它可以为i和j之间的路径P提供一个“中转服务”,将P拆分为两条路径:i-->k和k-->j。

v 弗洛伊德算法

v 弗洛伊德算法

v 弗洛伊德算法弗洛伊德算法(Floyd’s algorithm),又称为插点法,是一种通过动态规划求解最短路径问题的算法。

该算法在图论中有着广泛的应用,能够快速求解出两点之间的最短路径。

本文将为大家介绍弗洛伊德算法的原理以及实际应用。

1. 算法原理弗洛伊德算法的核心思想是利用中间点来更新起点到终点的距离。

假设图中任意两点之间的距离都为$d[i][j]$,则我们假设存在一个中间点$k$,可以将起点$i$和终点$j$之间的最短路径分成两部分,即起点到中间点的路径$d[i][k]$和中间点到终点的路径$d[k][j]$。

所以我们可以得到如下的状态转移方程:$$d[i][j]=\min(d[i][j],d[i][k]+d[k][j])$$通过不断地更新所有点之间的最短路径,我们最终可以得到所有节点之间的最短路径。

2. 算法实现弗洛伊德算法的实现中,最重要的一步就是更新状态转移方程。

具体来说,我们需要使用三层循环嵌套遍历所有点,将当前节点到所有其他节点的最短距离更新一遍即可。

下面就是使用 Python 语言实现弗洛伊德算法的代码片段:```pythonn = len(graph)for k in range(n):for i in range(n):for j in range(n):graph[i][j] = min(graph[i][j], graph[i][k] +graph[k][j])```在这段代码中,$graph$是一个$n \times n$的矩阵,表示所有节点之间的距离。

其中$n$是节点的数量。

3. 算法应用弗洛伊德算法的主要应用是求解带权图中各个节点之间的最短路径。

在实际生活中,我们可以将节点看作是城市,将距离看作是两个城市之间的道路距离。

这样,就可以使用弗洛伊德算法来计算任意两座城市之间的最短路程,帮助人们规划出更加便捷的旅行路线。

另外,在计算机网络中,弗洛伊德算法也被广泛应用于路由协议的设计中。

弗洛伊德算法

弗洛伊德算法

弗洛伊德算法定义Floyd算法又称为弗洛伊德算法,插点法,是一种用于寻找给定的加权图中顶点间最短路径的算法。

核心思路通过一个图的权值矩阵求出它的每两点间的最短路径矩阵。

从图的带权邻接矩阵A=[a(i,j)] n×n开始,递归地进行n次更新,即由矩阵D(0)=A,按一个公式,构造出矩阵D(1);又用同样地公式由D(1)构造出D(2);……;最后又用同样的公式由D(n-1)构造出矩阵D(n)。

矩阵D(n)的i行j列元素便是i号顶点到j号顶点的最短路径长度,称D(n)为图的距离矩阵,同时还可引入一个后继节点矩阵path来记录两点间的最短路径。

采用的是松弛技术,对在i和j之间的所有其他点进行一次松弛。

所以时间复杂度为O(n^3);算法描述a) 初始化:D[u,v]=A[u,v]b) For k:=1 to nFor i:=1 to nFor j:=1 to nIf D[i,j]>D[i,k]+D[k,j] ThenD[i,j]:=D[i,k]+D[k,j];c) 算法结束:D即为所有点对的最短路径矩阵算法过程把图用邻接矩阵G表示出来,如果从Vi到Vj有路可达,则G[i,j]=d,d表示该路的长度;否则G[i,j]=空值。

定义一个矩阵D用来记录所插入点的信息,D[i,j]表示从Vi到Vj需要经过的点,初始化D[i,j]=j。

把各个顶点插入图中,比较插点后的距离与原来的距离,G[i,j] = min( G[i,j], G[i,k]+G[k,j] ),如果G[i,j]的值变小,则D[i,j]=k。

在G中包含有两点之间最短道路的信息,而在D中则包含了最短通路径的信息。

比如,要寻找从V5到V1的路径。

根据D,假如D(5,1)=3则说明从V5到V1经过V3,路径为{V5,V3,V1},如果D(5,3)=3,说明V5与V3直接相连,如果D(3,1)=1,说明V3与V1直接相连。

时间复杂度O(n^3)优缺点分析Floyd算法适用于APSP(All Pairs Shortest Paths),是一种动态规划算法,稠密图效果最佳,边权可正可负。

佛洛伊德算法

佛洛伊德算法

佛洛伊德算法摘要:1.佛洛伊德算法简介2.算法原理与流程3.应用领域4.优缺点分析5.我国在相关领域的研究与进展正文:佛洛伊德算法是一种基于人工智能的文本生成算法,它的核心思想是通过学习大量文本数据,生成与输入文本相似的自然语言文本。

该算法由深度学习领域的专家们提出,并在近年来逐渐成为自然语言处理领域的研究热点。

1.佛洛伊德算法简介佛洛伊德算法,又称为变分自编码器(Variational Autoencoder, VAE),是一种生成模型。

它通过将输入文本编码成低维度的“潜在空间”,再从潜在空间中采样一个向量,最后将该向量解码成生成文本。

这种方法使得模型能够在学习过程中捕捉到输入文本的语义信息,从而生成与原始文本相似的自然语言文本。

2.算法原理与流程(1)编码器:将输入文本编码成低维度的潜在空间。

(2)采样器:在潜在空间中随机采样一个向量。

(3)解码器:将采样向量解码成生成文本。

(4)损失函数:衡量生成文本与原始文本之间的差距。

3.应用领域佛洛伊德算法广泛应用于自然语言处理领域,包括文本生成、机器翻译、对话系统等。

通过学习大量文本数据,该算法能够生成连贯、通顺的自然语言文本,为各种应用场景提供有力支持。

4.优缺点分析优点:(1)生成文本质量高,具有较强的语义表达能力。

(2)能够捕捉到输入文本的潜在语义结构,较好地满足自然语言生成的需求。

缺点:(1)训练过程可能需要大量的计算资源和时间。

(2)生成文本可能存在一定的随机性,导致多样性不足。

5.我国在相关领域的研究与进展近年来,我国在自然语言处理领域取得了显著的研究成果。

不仅提出了许多具有创新性的算法,还在国际竞赛中取得了优异成绩。

同时,我国政府和企业也在大力支持人工智能技术的发展,为相关领域的研究提供了有力保障。

总之,佛洛伊德算法作为一种先进的文本生成方法,在自然语言处理领域具有广泛的应用前景。

弗洛伊德(Floyd)算法

弗洛伊德(Floyd)算法

弗洛伊德(Floyd)算法最短路径问题:从某个顶点出发到达另外⼀个顶点的所经过的边的权重和最⼩的⼀条路径弗洛伊德算法解决最短路径问题1.基本思想(1)计算图中各个顶点之间的最短路径,每⼀个顶点都是出发访问点,所以需要将每⼀个顶点看做被访问顶点,求出从每⼀个顶点到其他顶点的最短路径(2)所有顶点都作为中间节点遍历⼀次,每次遍历将各个顶点经过中间节点到另⼀个节点的距离,与不经过该节点的距离相⽐较,若经过中间节点的距离更⼩,就更新距离表与前驱关系(3)时间复杂度O(n3),所有顶点作为出发点、中间节点、终点,每个顶点都要遍历3次2.步骤(1)设置顶点 a 到顶点 b 的最短路径已知为 L ab,顶点 b 到 c 的最短路径已知为 L bc,顶点 a 到 c 的路径为 L ac,则 a 到 c 的最短路径为:min ( ( L ab + L bc ), L ac ),b 的取值为图中所有顶点,则可获得 a 到 b 的最短路径(2)⾄于 a 到 b 的最短路径 L ab或者 b 到 c 的最短路径 L bc,是以同样的⽅式获得(3)三个点为同⼀顶点时:中间顶点为⾃⾝;三个点是不同顶点时:中间顶点是终点的前驱节点;两个顶点直接连通时:中间节点为出发点代码实现import java.util.Arrays;public class Floyd {//弗洛伊德算法解决最短路径问题public static final int BLOCK = 65535;//表⽰顶点之间不直接连通public static void main(String[] args) {char[] vertex = {'A', 'B', 'C', 'D', 'E', 'F', 'G'};//顶点到⾃⾝距离为0int[][] matrix = {{0, 5, 7, BLOCK, BLOCK, BLOCK, 2},{5, 0, BLOCK, 9, BLOCK, BLOCK, 3},{7, BLOCK, 0, BLOCK, 8, BLOCK, BLOCK},{BLOCK, 9, BLOCK, 0, BLOCK, 4, BLOCK},{BLOCK, BLOCK, 8, BLOCK, 0, 5, 4},{BLOCK, BLOCK, BLOCK, 4, 5, 0, 6},{2, 3, BLOCK, BLOCK, 4, 6, 0}};Graph graph = new Graph(matrix, vertex);graph.floyd();graph.result();}}//带权⽆向图class Graph {public char[] vertex;//存放顶点public int[][] matrix;//保存各个顶点到其它顶点的距离,初始为直接连接的距离,算法计算后为最短距离public int[][] relay;//保存中间结点//构造器public Graph(int[][] matrix, char[] vertex) {this.vertex = vertex;this.matrix = matrix;this.relay = new int[vertex.length][vertex.length];//三个点为同⼀顶点时:中间顶点为⾃⾝;三个点是不同顶点时:中间顶点是终点的前驱节点;两个顶点直接连通时:中间节点为出发点for (int i = 0; i < vertex.length; i++) {Arrays.fill(relay[i], i);//初始中间顶点为⾃⾝}}//显⽰算法结果public void result() {for (int k = 0; k < vertex.length; k++) {for (int i = 0; i < vertex.length; i++) {System.out.println(vertex[k] + " 到 " + vertex[i] +" 最短路径 " + matrix[k][i] +" 中间结点 " + vertex[relay[k][i]]);}System.out.println();}}//弗洛伊德算法public void floyd() {int temp;//保存i到j的距离for (int i = 0; i < matrix.length; i++) {//出发点ifor (int j = 0; j < matrix.length; j++) {//中间顶点jfor (int k = 0; k < matrix.length; k++) {//终点ktemp = matrix[i][j] + matrix[j][k];//求从i出发,经过k,到达j的距离 if (temp < matrix[i][k]) {matrix[i][k] = temp;//更新距离relay[i][k] = relay[j][k];//更新中间顶点}}}}}}。

佛洛伊德算法

佛洛伊德算法

佛洛伊德算法佛洛伊德算法是一种经典的优化算法,其应用领域十分广泛。

它以其独特的搜索策略和优化思想,在解决复杂问题和优化目标上发挥着重要作用。

佛洛伊德算法最初是由计算机科学家罗伯特·弗洛伊德在20世纪60年代提出的。

该算法主要用于求解图中任意两点之间的最短路径。

它的基本思想是通过逐步迭代的方式不断更新路径长度信息,直到找到最短路径。

具体地说,佛洛伊德算法使用一个二维矩阵来存储各个节点之间的距离。

初始时,矩阵中的元素是各个节点之间的直接距离。

然后,通过不断更新矩阵中的元素,逐步优化路径长度。

算法的核心步骤是使用三重循环,依次遍历所有节点对之间的距离。

在每一次循环中,算法会检查是否存在通过当前节点的路径比原来的路径更短。

如果存在更短的路径,算法就会更新矩阵中的元素,将路径长度更新为更小的值。

通过不断的迭代,最终得到了图中所有节点之间最短路径的信息。

佛洛伊德算法在实际应用中具有广泛的指导意义。

首先,它可以用于解决交通网络中的最短路径问题。

通过建立一个道路网络的图模型,并使用佛洛伊德算法求解最短路径,可以帮助人们规划出最优的行驶路线,提高交通效率。

其次,佛洛伊德算法还可以应用于网络传输和通信领域。

在网络中,节点之间的通信延迟是一个重要的指标。

通过使用佛洛伊德算法,可以计算出网络中各个节点之间的最短延迟路径,从而优化数据传输和通信的效率。

此外,佛洛伊德算法还可以应用于物流和供应链管理。

在物流领域,寻找最短路径可以帮助企业降低运输成本、优化仓储和配送方案。

通过使用佛洛伊德算法,可以快速求解物流网络中各个节点之间的最短路径,为企业的物流决策提供有效支持。

综上所述,佛洛伊德算法作为一种经典的优化算法,具有广泛的应用领域和重要的指导意义。

它不仅能够有效地求解图中节点之间的最短路径问题,而且在实际应用中还能够为交通规划、网络通信和物流管理等领域提供优化方案,为人们的生活带来便利和效益。

佛洛依德路径平滑算法(floyd)

佛洛依德路径平滑算法(floyd)

佛洛依德路径平滑算法(floyd) 常见的a*算法的结果是⼀串⽤来表⽰所经过的路径点坐标。

但是这样的路径通常是有“锯齿”的,并不符合现实中的智能表现。

因此,需要进⼀步的进⾏平滑处理,⽐如佛洛依德算法~ 算法原理很简单,分为两步: 1.去掉相邻的共线的点 2.去掉多余的拐弯的点 第⼀步实现起来很简单,只需要遍历⼀下,计算两个向量的⽅向是否相同。

第⼆步的实现稍微⿇烦⼀点,遍历所有的点,去掉两个可以直接通过的点之间的点。

有点绕。

其实是很经典的画直线算法,找两个点作为端点画⼀条线,这条先经过的⽹格如果都是可同⾏的,那么我们就认为在路径中这两个点中间的那些点是多余的。

其实第⼆步就可以完成优化,但是计算量⽐较⼤。

所以先通过第⼀步来减少⼀部分计算量~下⾯是代码:#region floyd//----------------------------------------弗洛伊德路径平滑--------------------------------------//public List<Vector3> Floyd( List<Vector3> path){if (path == null){return path;}int len = path.Count;//去掉同⼀条线上的点。

if (len > 2){Vector3 vector = path[len -1] - path[len - 2];Vector3 tempvector;for (int i = len - 3; i>= 0; i--){tempvector = path[i+1] - path[i];if (Vector3.Cross(vector, tempvector).y == 0f){path.RemoveAt(i+1);}else{vector = tempvector;}}}//去掉⽆⽤拐点len = path.Count;for (int i = len-1; i >= 0; i--){for (int j = 0; j<= i-1; j++){if (CheckCrossNoteWalkable(path[i],path[j])){for (int k = i-1; k>=j; k--){path.RemoveAt(k);}i=j;//len = path.Count;break;}}}return path;}float currentY; // ⽤于检测攀爬与下落⾼度//判断路径上是否有障碍物public bool CheckCrossNoteWalkable(Vector3 p1, Vector3 p2){currentY = p1.y; //记录初始⾼度,⽤于检测是否可通过bool changexz = Mathf.Abs(p2.z - p1.z) > Mathf.Abs(p2.x - p1.x);if (changexz){float temp = p1.x;p1.x = p1.z;p1.z = temp;temp = p2.x;p2.x = p2.z;p2.z = temp;}if (!Checkwalkable(changexz, p1.x, p1.z)){return false;}float stepX = p2.x > p1.x ? Tilesize : (p2.x < p1.x ? -Tilesize : 0);float stepY = p2.y > p1.y ? Tilesize : (p2.y < p1.y ? -Tilesize : 0);float deltay = Tilesize * ( (p2.z - p1.z) / Mathf.Abs(p2.x - p1.x) );float nowX = p1.x + stepX/2;float nowY = p1.z - stepY/2;float CheckY = nowY;while (nowX != p2.x){if(!Checkwalkable(changexz, nowX, CheckY)){return false;}nowY += deltay;if(nowY >= CheckY + stepY){CheckY += stepY;if (!Checkwalkable(changexz, nowX, CheckY)){return false;}}nowX += stepX;}return true;}private bool Checkwalkable(bool changeXZ, float x, float z){int mapx = (MapStartPosition.x < 0F) ? Mathf.FloorToInt(((x + Mathf.Abs(MapStartPosition.x)) / Tilesize)) : Mathf.FloorToInt((x - MapStartPosition.x) / Tilesize);int mapz = (MapStartPosition.y < 0F) ? Mathf.FloorToInt(((z + Mathf.Abs(MapStartPosition.y)) / Tilesize)) : Mathf.FloorToInt((z - MapStartPosition.y) / Tilesize);if (mapx < 0 || mapz < 0 || mapx >= Map.GetLength(0) || mapz >= Map.GetLength(1)){return false;}Node note;if (changeXZ){note = Map[mapz, mapx];}else{note = Map[mapx, mapz];}bool ret = note. walkable && ( (note.yCoord - currentY <= ClimbLimit && note.yCoord >= currentY) || (currentY - note.yCoord <= MaxFalldownHeight && currentY >= note.yCoord) );if (ret){currentY = note.yCoord;}return ret;}#endregion end floyd。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

#include <time.h>
#include <string.h>
#include <stdlib.h>
#include <stdio.h>
#include <limits.h>
clock_t start,finish;
long double duration;
#define MAX_NAME 5// 顶点字符串的最大长度+1
#define MAX_INFO 20// 相关信息字符串的最大长度+1
#define INFINITY INT_MAX// 用整型最大值代替∞
#define MAX_VERTEX_NUM 100// 最大顶点个数
typedef char VertexType[MAX_NAME];// 顶点数据类型及长度
typedef enum{DG, DN, AG, AN} GraphKind; // {有向图,有向网,无向图,无向网}
// 邻接矩阵的数据结构
typedef struct
{
int adj; // 顶点关系类型。

对无权图,用1(是)或0(否)表示相邻否;
// 对带权图,则为权值类型
}ArcCell, AdjMatrix[MAX_VERTEX_NUM][MAX_VERTEX_NUM];
// 图的数据结构
typedef struct
{
AdjMatrix arcs;// 邻接矩阵
int vexnum,// 图的当前顶点数
arcnum;// 图的当前弧数
GraphKind kind;// 图的种类标志
} MGraph;
typedef int PathMatrix[MAX_VERTEX_NUM][MAX_VERTEX_NUM][MAX_VERTEX_NUM];
typedef int DistancMatrix[MAX_VERTEX_NUM][MAX_VERTEX_NUM];
// 采用数组(邻接矩阵)表示法,构造有向网G。

//int CreateDN(MGraph *G,FILE *F,FILE *IN)
int CreateDN(MGraph *G,FILE *F)
{
int i,j,k,w,t,m[100];
int n=0;
printf("请输入有向网G的顶点数:"
" \n");
scanf("%d%*c", &(*G).vexnum);
fprintf(F,"%ld\t ",(*G).vexnum);
//fprintf(F,"边数:%ld\t ",(*G).arcnum);
for(i=0;i<(*G).vexnum;++i)// 初始化邻接矩阵
for(j=0;j<(*G).vexnum;++j)
{
if(i==j) (*G).arcs[i][j].adj=0;
else
(*G).arcs[i][j].adj=INFINITY; // 网,边的权值初始化为无穷大}
//自动生成邻接矩阵
for(i=0;i<(*G).vexnum;i++)
{
printf("请输入第%d个数需要产生的边的个数(小于%d):\n",i,(*G).vexnum-2);
scanf("%d",&t);
for(j=0; j < t; ++j)
{
int x=0;
m[j]=int(rand()%(*G).vexnum);
while(x<j&&m[x]!=m[j]) //没找到循环
x=x+1;
if((i!=m[j])&&x==j) //没有找到同样的数或i!=j
{
(*G).arcs[i][m[j]].adj=int(rand()%(100-1))+1;
printf("(*G).arcs[i][m[j]].adj:%d\n",(*G).arcs[i][m[j]].adj);
}
else j=j-1;
}
}
/*
for(k=0;k<((*G).vexnum*(*G).vexnum);++k)
{
i = k/(*G).vexnum;
j = k%(*G).vexnum;
fscanf(IN,"%d",&w);
if(w!=0&&w!=-1) n=n+1;
(*G).arcs[i][j].adj=w; // 有向网,弧的权值为w
if((*G).arcs[i][j].adj==-1)
{
(*G).arcs[i][j].adj=INFINITY;
}
}
(*G).arcnum=n;
printf("n:%d\n",n);
printf("(*G).arcnum:%d\n",(*G).arcnum); */
printf("初始邻接矩阵:\n");
for(i=0;i<(*G).vexnum;i++)
{
for(j=0;j<(*G).vexnum;j++)
printf("%d ",(*G).arcs[i][j].adj);
printf("\n");
}
(*G).kind=DN;//有向网的种类标志
return 1;
}
long double ShortestPath_FLOYD(MGraph G,FILE *F)
{
duration=0;
start=clock();
int i,j,k;
for(k=0;k<G.vexnum;k++)
{
for(i=0;i<G.vexnum;i++)
{
for(j=0;j<G.vexnum;j++)
{
if((G.arcs[i][k].adj)+(G.arcs[k][j].adj)>0)
{
if((G.arcs[i][k].adj)+(G.arcs[k][j].adj)<(G.arcs[i][j].adj))
G.arcs[i][j].adj = G.arcs[i][k].adj+G.arcs[k][j].adj;
}
}
}
/*printf("第%d次邻接矩阵:\n",k);
for(i=0;i<G.vexnum;i++)
{
for(j=0;j<G.vexnum;j++)
printf("%d ",G.arcs[i][j].adj);
printf("\n");
} */
}
finish=clock();
duration=(double)(finish - start)/CLOCKS_PER_SEC;
printf("zuizhong矩阵:\n");
for(i=0;i<G.vexnum;i++)
{
for(j=0;j<G.vexnum;j++)
printf("%6d ",G.arcs[i][j].adj);
printf("\n");
}
for(i=0;i<G.vexnum;i++)
for(j=0;j<G.vexnum;j++)
printf("%d到%d的最短距离为%d\n",i,j,G.arcs[i][j].adj);
return duration;
}
int main()
{
MGraph g;
int i,j;
FILE *f,*out;
char file[10],file2[10];
/*
printf("输入要读入的文件名:\n");
scanf("%s",file2);
if((out=fopen(file2,"r"))==NULL){
printf("can not open the read file2!\n");
exit(0);
} */
printf("输入要生成的文件名:\n");
scanf("%s",file);
if((f=fopen(file,"w"))==NULL){
printf("can not open the file!\n");
exit(0);
}
CreateDN(&g,f);
printf("初始邻接矩阵:\n");
for(i=0;i<g.vexnum;i++)
{
for(j=0;j<g.vexnum;j++)
printf("%11d",g.arcs[i][j].adj);
printf("\n");
}
printf("------\n");
fprintf(f,"\t%f\n",ShortestPath_FLOYD(g,f));
return 0;
}。

相关文档
最新文档