WedX - журнал о программировании и компьютерных науках

Большая проблема с алгоритмом Дейкстры в реализации графа связанного списка

Мой граф реализован со связанными списками как для вершин, так и для ребер, и это становится проблемой для алгоритма Дейкстры. Как я уже говорил в предыдущем вопросе, я конвертирую этот код который использует матрицу смежности для работы с моей реализацией графа.

Проблема в том, что когда я нахожу минимальное значение, я получаю индекс массива. Этот индекс совпадал бы с индексом вершины, если бы вместо этого вершины графа хранились в массиве. И доступ к вершине будет постоянным.

У меня нет времени менять реализацию графа, но у меня есть хэш-таблица, проиндексированная уникальным номером (но такая, которая не начинается с 0, это как 100090000), и это проблема, с которой я столкнулся. Всякий раз, когда мне нужно, я использую оператор по модулю, чтобы получить число от 0 до общего количества вершин.

Это отлично работает, когда мне нужен индекс массива из числа, но когда мне нужно число из индекса массива (для доступа к вычисленной вершине минимального расстояния за постоянное время), не так много.

Я пытался найти, как инвертировать операцию по модулю, например, 100090000 mod 18000 = 10000 и 10000 invmod 18000 = 100090000, но не смог найти способ сделать это.

Моя следующая альтернатива — построить какой-то массив ссылок, где в приведенном выше примере arr[10000] = 100090000. Это решило бы проблему, но потребовало бы еще раз зациклить весь граф.

Есть ли у меня лучшее/более простое решение с моей текущей реализацией графа?


  • Что это за язык? И как строится связанный список? 17.04.2010
  • Извините, C, добавил тег. Что вы имеете в виду, как он устроен? Это связанный список с указателем на следующий узел... 17.04.2010

Ответы:


1

В вашем массиве вместо того, чтобы просто хранить количество (или что вы там храните), сохраните структуру, которая содержит количество, а также номер индекса вершины.

17.04.2010
  • Это то, что я имел в виду под массивом ссылок в моем предпоследнем абзаце, но для этого мне нужно было бы пройти весь граф один раз, и я искал лучший способ, если он есть. 17.04.2010
  • Новые материалы

    Объяснение документов 02: BERT
    BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

    Как проанализировать работу вашего классификатора?
    Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

    Работа с цепями Маркова, часть 4 (Машинное обучение)
    Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

    Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
    Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

    Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
    Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

    Учебные заметки: создание моего первого пакета Node.js
    Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

    Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
    Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..


    Для любых предложений по сайту: [email protected]