最短路

author: du33169, lingkerio, Taoran-01

定义

（还记得这些定义吗？在阅读下列内容之前，请务必了解 图论相关概念 中的基础部分．）

• 路径
• 最短路
• 有向图中的最短路、无向图中的最短路
• 单源最短路、每对结点之间的最短路

记号

为了方便叙述，这里先给出下文将会用到的一些记号的含义．

• $n$ 为图上点的数目，$m$ 为图上边的数目；
• $s$ 为最短路的源点；
• $D(u)$ 为 $s$ 点到 $u$ 点的 实际 最短路长度；
• $dis(u)$ 为 $s$ 点到 $u$ 点的 估计 最短路长度．任何时候都有 $dis(u)\ge D(u)$．特别地，当最短路算法终止时，应有 $dis(u)=D(u)$．
• $w(u,v)$ 为 $(u,v)$ 这一条边的边权．

性质

对于边权为正的图，任意两个结点之间的最短路，不会经过重复的结点．

对于边权为正的图，任意两个结点之间的最短路，不会经过重复的边．

对于边权为正的图，任意两个结点之间的最短路，任意一条的结点数不会超过 $n$，边数不会超过 $n-1$．

Floyd 算法

是用来求任意两个结点之间的最短路的．

复杂度比较高，但是常数小，容易实现（只有三个 for）．

适用于任何图，不管有向无向，边权正负，但是最短路必须存在．（不能有个负环）

实现

我们定义一个数组 f[k][x][y]，表示只允许经过结点 $1$ 到 $k$（也就是说，在子图 $V^{\prime }=1,2,\dots ,k$ 中的路径，注意，$x$ 与 $y$ 不一定在这个子图中），结点 $x$ 到结点 $y$ 的最短路长度．

很显然，f[n][x][y] 就是结点 $x$ 到结点 $y$ 的最短路长度（因为 $V^{\prime }=1,2,\dots ,n$ 即为 $V$ 本身，其表示的最短路径就是所求路径）．

接下来考虑如何求出 f 数组的值．

f[0][x][y]：$x$ 与 $y$ 的边权，或者 $0$，或者 $+\infty$（f[0][x][y] 什么时候应该是 $+\infty$？当 $x$ 与 $y$ 间有直接相连的边的时候，为它们的边权；当 $x=y$ 的时候为零，因为到本身的距离为零；当 $x$ 与 $y$ 没有直接相连的边的时候，为 $+\infty$）．

f[k][x][y] = min(f[k-1][x][y], f[k-1][x][k]+f[k-1][k][y])（f[k-1][x][y]，为不经过 $k$ 点的最短路径，而 f[k-1][x][k]+f[k-1][k][y]，为经过了 $k$ 点的最短路）．

上面两行都显然是对的，所以说这个做法空间是 $O(N^3)$，我们需要依次增加问题规模（$k$ 从 $1$ 到 $n$），判断任意两点在当前问题规模下的最短路．

=== “C++”
cpp for (k = 1; k <= n; k++) { for (x = 1; x <= n; x++) { for (y = 1; y <= n; y++) { f[k][x][y] = min(f[k - 1][x][y], f[k - 1][x][k] + f[k - 1][k][y]); } } }

=== “Python”
python for k in range(1, n + 1): for x in range(1, n + 1): for y in range(1, n + 1): f[k][x][y] = min(f[k - 1][x][y], f[k - 1][x][k] + f[k - 1][k][y])

因为第一维对结果无影响，我们可以发现数组的第一维是可以省略的，于是可以直接改成 f[x][y] = min(f[x][y], f[x][k]+f[k][y])．

???+ note “证明第一维对结果无影响”
对于给定的 k，当更新 f[k][x][y] 时，涉及的元素总是来自 f[k-1] 数组的第 k 行和第 k 列．然后我们可以发现，对于给定的 k，当更新 f[k][k][y] 或 f[k][x][k]，总是不会发生数值更新，因为按照公式 f[k][k][y] = min(f[k-1][k][y], f[k-1][k][k]+f[k-1][k][y]),f[k-1][k][k] 为 0，因此这个值总是 f[k-1][k][y]，对于 f[k][x][k] 的证明类似．

因此，如果省略第一维，在给定的 `k` 下，每个元素的更新中使用到的元素都没有在这次迭代中更新，因此第一维的省略并不会影响结果．

=== “C++”
cpp for (k = 1; k <= n; k++) { for (x = 1; x <= n; x++) { for (y = 1; y <= n; y++) { f[x][y] = min(f[x][y], f[x][k] + f[k][y]); } } }

=== “Python”
python for k in range(1, n + 1): for x in range(1, n + 1): for y in range(1, n + 1): f[x][y] = min(f[x][y], f[x][k] + f[k][y])

综上时间复杂度是 $O(N^3)$，空间复杂度是 $O(N^2)$．

应用

???+ question “给一个正权无向图，找一个最小权值和的环．”
首先这一定是一个简单环．

想一想这个环是怎么构成的．

考虑环上编号最大的结点 $u$．

`f[u-1][x][y]` 和 $(u,x)$,$(u,y)$ 共同构成了环．

在 Floyd 的过程中枚举 $u$，计算这个和的最小值即可．

时间复杂度为 $O(n^3)$．

更多参见 [最小环](./min-cycle.md) 部分内容．

???+ question “已知一个有向图中任意两点之间是否有连边，要求判断任意两点是否连通．”
该问题即是求 图的传递闭包．

我们只需要按照 Floyd 的过程，逐个加入点判断一下．

只是此时的边的边权变为 $1/0$，而取 $\min$ 变成了 **或** 运算．

再进一步用 bitset 优化，复杂度可以到 $O(\frac{n^3}{w})$．

```cpp
// std::bitset<SIZE> f[SIZE];
for (k = 1; k <= n; k++)
  for (i = 1; i <= n; i++)
    if (f[i][k]) f[i] = f[i] | f[k];
```

Bellman–Ford 算法

Bellman–Ford 算法是一种基于松弛（relax）操作的最短路算法，可以求出有负权的图的最短路，并可以对最短路不存在的情况进行判断．

在国内 OI 界，你可能听说过的「SPFA」，就是 Bellman–Ford 算法的一种实现．

过程

先介绍 Bellman–Ford 算法要用到的松弛操作（Dijkstra 算法也会用到松弛操作）．

对于边 $(u,v)$，松弛操作对应下面的式子：$dis(v)=\min (dis(v),dis(u)+w(u,v))$．

这么做的含义是显然的：我们尝试用 $S\to u\to v$（其中 $S\to u$ 的路径取最短路）这条路径去更新 $v$ 点最短路的长度，如果这条路径更优，就进行更新．

Bellman–Ford 算法所做的，就是不断尝试对图上每一条边进行松弛．我们每进行一轮循环，就对图上所有的边都尝试进行一次松弛操作，当一次循环中没有成功的松弛操作时，算法停止．

每次循环是 $O(m)$ 的，那么最多会循环多少次呢？

在最短路存在的情况下，由于一次松弛操作会使最短路的边数至少 $+1$，而最短路的边数最多为 $n-1$，因此整个算法最多执行 $n-1$ 轮松弛操作．故总时间复杂度为 $O(nm)$．

但还有一种情况，如果从 $S$ 点出发，抵达一个负环时，松弛操作会无休止地进行下去．注意到前面的论证中已经说明了，对于最短路存在的图，松弛操作最多只会执行 $n-1$ 轮，因此如果第 $n$ 轮循环时仍然存在能松弛的边，说明从 $S$ 点出发，能够抵达一个负环．

???+ warning “负环判断中存在的常见误区”
需要注意的是，以 $S$ 点为源点跑 Bellman–Ford 算法时，如果没有给出存在负环的结果，只能说明从 $S$ 点出发不能抵达一个负环，而不能说明图上不存在负环．

因此如果需要判断整个图上是否存在负环，最严谨的做法是建立一个超级源点，向图上每个节点连一条权值为 0 的边，然后以超级源点为起点执行 Bellman–Ford 算法．

实现

??? note “参考实现”
=== “C++”
```cpp
struct Edge {
int u, v, w;
};

    vector<Edge> edge;
    
    int dis[MAXN], u, v, w;
    constexpr int INF = 0x3f3f3f3f;
    
    bool bellmanford(int n, int s) {
      memset(dis, 0x3f, (n + 1) * sizeof(int));
      dis[s] = 0;
      bool flag = false;  // 判断一轮循环过程中是否发生松弛操作
      for (int i = 1; i <= n; i++) {
        flag = false;
        for (int j = 0; j < edge.size(); j++) {
          u = edge[j].u, v = edge[j].v, w = edge[j].w;
          if (dis[u] == INF) continue;
          // 无穷大与常数加减仍然为无穷大
          // 因此最短路长度为 INF 的点引出的边不可能发生松弛操作
          if (dis[v] > dis[u] + w) {
            dis[v] = dis[u] + w;
            flag = true;
          }
        }
        // 没有可以松弛的边时就停止算法
        if (!flag) {
          break;
        }
      }
      // 第 n 轮循环仍然可以松弛时说明 s 点可以抵达一个负环
      return flag;
    }
    ```

=== "Python"
    ```python
    class Edge:
        def __init__(self, u=0, v=0, w=0):
            self.u = u
            self.v = v
            self.w = w
    
    
    INF = 0x3F3F3F3F
    edge = []
    
    
    def bellmanford(n, s):
        dis = [INF] * (n + 1)
        dis[s] = 0
        for i in range(1, n + 1):
            flag = False
            for e in edge:
                u, v, w = e.u, e.v, e.w
                if dis[u] == INF:
                    continue
                # 无穷大与常数加减仍然为无穷大
                # 因此最短路长度为 INF 的点引出的边不可能发生松弛操作
                if dis[v] > dis[u] + w:
                    dis[v] = dis[u] + w
                    flag = True
            # 没有可以松弛的边时就停止算法
            if not flag:
                break
        # 第 n 轮循环仍然可以松弛时说明 s 点可以抵达一个负环
        return flag
    ```

队列优化：SPFA

即 Shortest Path Faster Algorithm．

很多时候我们并不需要那么多无用的松弛操作．

很显然，只有上一次被松弛的结点，所连接的边，才有可能引起下一次的松弛操作．

那么我们用队列来维护「哪些结点可能会引起松弛操作」，就能只访问必要的边了．

SPFA 也可以用于判断 $s$ 点是否能抵达一个负环，只需记录最短路经过了多少条边，当经过了至少 $n$ 条边时，说明 $s$ 点可以抵达一个负环．

??? note “实现”
=== “C++”
```cpp
struct edge {
int v, w;
};

    vector<edge> e[MAXN];
    int dis[MAXN], cnt[MAXN], vis[MAXN];
    queue<int> q;
    
    bool spfa(int n, int s) {
      memset(dis, 0x3f, (n + 1) * sizeof(int));
      dis[s] = 0, vis[s] = 1;
      q.push(s);
      while (!q.empty()) {
        int u = q.front();
        q.pop(), vis[u] = 0;
        for (auto ed : e[u]) {
          int v = ed.v, w = ed.w;
          if (dis[v] > dis[u] + w) {
            dis[v] = dis[u] + w;
            cnt[v] = cnt[u] + 1;  // 记录最短路经过的边数
            if (cnt[v] >= n) return false;
            // 在不经过负环的情况下，最短路至多经过 n - 1 条边
            // 因此如果经过了多于 n 条边，一定说明经过了负环
            if (!vis[v]) q.push(v), vis[v] = 1;
          }
        }
      }
      return true;
    }
    ```

=== "Python"
    ```python
    from collections import deque
    
    
    class Edge:
        def __init__(self, v=0, w=0):
            self.v = v
            self.w = w
    
    
    e = [[Edge() for i in range(MAXN)] for j in range(MAXN)]
    INF = 0x3F3F3F3F
    
    
    def spfa(n, s):
        dis = [INF] * (n + 1)
        cnt = [0] * (n + 1)
        vis = [False] * (n + 1)
        q = deque()
    
        dis[s] = 0
        vis[s] = True
        q.append(s)
        while q:
            u = q.popleft()
            vis[u] = False
            for ed in e[u]:
                v, w = ed.v, ed.w
                if dis[v] > dis[u] + w:
                    dis[v] = dis[u] + w
                    cnt[v] = cnt[u] + 1  # 记录最短路经过的边数
                    if cnt[v] >= n:
                        return False
                    # 在不经过负环的情况下，最短路至多经过 n - 1 条边
                    # 因此如果经过了多于 n 条边，一定说明经过了负环
                    if not vis[v]:
                        q.append(v)
                        vis[v] = True
    ```

虽然在大多数情况下 SPFA 跑得很快，但其最坏情况下的时间复杂度为 $O(nm)$，将其卡到这个复杂度也是不难的，所以考试时要谨慎使用（在没有负权边时最好使用 Dijkstra 算法，在有负权边且题目中的图没有特殊性质时，若 SPFA 是标算的一部分，题目不应当给出 Bellman–Ford 算法无法通过的数据范围）．

???+ note “Bellman–Ford 的其他优化”
除了队列优化（SPFA）之外，Bellman–Ford 还有其他形式的优化，这些优化在部分图上效果明显，但在某些特殊图上，最坏复杂度可能达到指数级．

-   堆优化：将队列换成堆，与 Dijkstra 的区别是允许一个点多次入队．在有负权边的图可能被卡成指数级复杂度．
-   栈优化：将队列换成栈（即将原来的 BFS 过程变成 DFS），在寻找负环时可能具有更高效率，但最坏时间复杂度仍然为指数级．
-   LLL 优化：将普通队列换成双端队列，每次将入队结点距离和队内距离平均值比较，如果更大则插入至队尾，否则插入队首．
-   SLF 优化：将普通队列换成双端队列，每次将入队结点距离和队首比较，如果更大则插入至队尾，否则插入队首．
-   D´Esopo–Pape 算法：将普通队列换成双端队列，如果一个节点之前没有入队，则将其插入队尾，否则插入队首．

更多优化以及针对这些优化的 Hack 方法，可以看 [fstqwq 在知乎上的回答](https://www.zhihu.com/question/292283275/answer/484871888)．

Dijkstra 算法

Dijkstra（/ˈdikstrɑ/或/ˈdɛikstrɑ/）算法由荷兰计算机科学家 E. W. Dijkstra 于 1956 年发现，1959 年公开发表．是一种求解 非负权图 上单源最短路径的算法．

过程

将结点分成两个集合：已确定最短路长度的点集（记为 $S$ 集合）的和未确定最短路长度的点集（记为 $T$ 集合）．一开始所有的点都属于 $T$ 集合．

初始化 $dis(s)=0$，其他点的 $dis$ 均为 $+\infty$．

然后重复这些操作：

1. 从 $T$ 集合中，选取一个最短路长度最小的结点，移到 $S$ 集合中．
2. 对那些刚刚被加入 $S$ 集合的结点的所有出边执行松弛操作．

直到 $T$ 集合为空，算法结束．

时间复杂度

朴素的实现方法为每次 2 操作执行完毕后，直接在 $T$ 集合中暴力寻找最短路长度最小的结点．2 操作总时间复杂度为 $O(m)$，1 操作总时间复杂度为 $O(n^2)$，全过程的时间复杂度为 $O(n^2+m)=O(n^2)$．

可以用堆来优化这一过程：每成功松弛一条边 $(u,v)$，就将 $v$ 插入堆中（如果 $v$ 已经在堆中，直接执行 Decrease-key），1 操作直接取堆顶结点即可．共计 $O(m)$ 次 Decrease-key，$O(n)$ 次 pop，选择不同堆可以取到不同的复杂度，参考 堆 页面．堆优化能做到的最优复杂度为 $O(n\log n+m)$，能做到这一复杂度的有斐波那契堆等．

特别地，可以使用优先队列维护，此时无法执行 Decrease-key 操作，但可以通过每次松弛时重新插入该结点，且弹出时检查该结点是否已被松弛过，若是则跳过，复杂度 $O(m\log n)$，优点是实现较简单．

这里的堆也可以用线段树来实现，复杂度为 $O(m\log n)$，在一些特殊的非递归线段树实现下，该做法常数比堆更小．并且线段树支持的操作更多，在一些特殊图问题上只能用线段树来维护．

在稀疏图中，$m=O(n)$，堆优化的 Dijkstra 算法具有较大的效率优势；而在稠密图中，$m=O(n^2)$，这时候使用朴素实现更优．

正确性证明

下面用数学归纳法证明，在 所有边权值非负 的前提下，Dijkstra 算法的正确性[

简单来说，我们要证明的，就是在执行 1 操作时，取出的结点 $u$ 最短路均已经被确定，即满足 $D(u)=dis(u)$．

初始时 $S=\varnothing$，假设成立．

接下来用反证法．

设 $u$ 点为算法中第一个在加入 $S$ 集合时不满足 $D(u)=dis(u)$ 的点．因为 $s$ 点一定满足 $D(u)=dis(u)=0$，且它一定是第一个加入 $S$ 集合的点，因此将 $u$ 加入 $S$ 集合前，$S\ne \varnothing$，如果不存在 $s$ 到 $u$ 的路径，则 $D(u)=dis(u)=+\infty$，与假设矛盾．

于是一定存在路径 $s\to x\to y\to u$，其中 $y$ 为 $s\to u$ 路径上第一个属于 $T$ 集合的点，而 $x$ 为 $y$ 的前驱结点（显然 $x\in S$）．需要注意的是，可能存在 $s=x$ 或 $y=u$ 的情况，即 $s\to x$ 或 $y\to u$ 可能是空路径．

因为在 $u$ 结点之前加入的结点都满足 $D(u)=dis(u)$，所以在 $x$ 点加入到 $S$ 集合时，有 $D(x)=dis(x)$，此时边 $(x,y)$ 会被松弛，从而可以证明，将 $u$ 加入到 $S$ 时，一定有 $D(y)=dis(y)$．

下面证明 $D(u)=dis(u)$ 成立．在路径 $s\to x\to y\to u$ 中，因为图上所有边边权非负，因此 $D(y)\le D(u)$．从而 $dis(y)=D(y)\le D(u)\le dis(u)$．但是因为 $u$ 结点在 1 过程中被取出 $T$ 集合时，$y$ 结点还没有被取出 $T$ 集合，因此此时有 $dis(u)\le dis(y)$，从而得到 $dis(y)=D(y)=D(u)=dis(u)$，这与 $D(u)\ne dis(u)$ 的假设矛盾，故假设不成立．

因此我们证明了，1 操作每次取出的点，其最短路均已经被确定．命题得证．

注意到证明过程中的关键不等式 $D(y)\le D(u)$ 是在图上所有边边权非负的情况下得出的．当图上存在负权边时，这一不等式不再成立，Dijkstra 算法的正确性将无法得到保证，算法可能会给出错误的结果．

实现

这里同时给出 $O(n^2)$ 的暴力做法实现和 $O(m\log m)$ 的优先队列做法实现．

???+ note “朴素实现”
=== “C++”
```cpp
struct edge {
int v, w;
};

    vector<edge> e[MAXN];
    int dis[MAXN], vis[MAXN];
    
    void dijkstra(int n, int s) {
      memset(dis, 0x3f, (n + 1) * sizeof(int));
      dis[s] = 0;
      for (int i = 1; i <= n; i++) {
        int u = 0, mind = 0x3f3f3f3f;
        for (int j = 1; j <= n; j++)
          if (!vis[j] && dis[j] < mind) u = j, mind = dis[j];
        vis[u] = true;
        for (auto ed : e[u]) {
          int v = ed.v, w = ed.w;
          if (dis[v] > dis[u] + w) dis[v] = dis[u] + w;
        }
      }
    }
    ```

=== "Python"
    ```python
    class Edge:
        def __init(self, v=0, w=0):
            self.v = v
            self.w = w
    
    
    e = [[Edge() for i in range(MAXN)] for j in range(MAXN)]
    INF = 0x3F3F3F3F
    
    
    def dijkstra(n, s):
        dis = [INF] * (n + 1)
        vis = [0] * (n + 1)
    
        dis[s] = 0
        for i in range(1, n + 1):
            u = 0
            mind = INF
            for j in range(1, n + 1):
                if not vis[j] and dis[j] < mind:
                    u = j
                    mind = dis[j]
            vis[u] = True
            for ed in e[u]:
                v, w = ed.v, ed.w
                if dis[v] > dis[u] + w:
                    dis[v] = dis[u] + w
    ```

???+ note “优先队列实现”
=== “C++”
```cpp
struct edge {
int v, w;
};

    struct node {
      int dis, u;
    
      bool operator>(const node& a) const { return dis > a.dis; }
    };
    
    vector<edge> e[MAXN];
    int dis[MAXN], vis[MAXN];
    priority_queue<node, vector<node>, greater<node>> q;
    
    void dijkstra(int n, int s) {
      memset(dis, 0x3f, (n + 1) * sizeof(int));
      memset(vis, 0, (n + 1) * sizeof(int));
      dis[s] = 0;
      q.push({0, s});
      while (!q.empty()) {
        int u = q.top().u;
        q.pop();
        if (vis[u]) continue;
        vis[u] = 1;
        for (auto ed : e[u]) {
          int v = ed.v, w = ed.w;
          if (dis[v] > dis[u] + w) {
            dis[v] = dis[u] + w;
            q.push({dis[v], v});
          }
        }
      }
    }
    ```

=== "Python"
    ```python
    def dijkstra(e, s):
        """
        输入：
        e:邻接表
        s:起点
        返回：
        dis:从s到每个顶点的最短路长度
        """
        dis = defaultdict(lambda: float("inf"))
        dis[s] = 0
        q = [(0, s)]
        vis = set()
        while q:
            _, u = heapq.heappop(q)
            if u in vis:
                continue
            vis.add(u)
            for v, w in e[u]:
                if dis[v] > dis[u] + w:
                    dis[v] = dis[u] + w
                    heapq.heappush(q, (dis[v], v))
        return dis
    ```

Johnson 全源最短路径算法

Johnson 和 Floyd 一样，是一种能求出无负环图上任意两点间最短路径的算法．该算法在 1977 年由 Donald B. Johnson 提出．

任意两点间的最短路可以通过枚举起点，跑 $n$ 次 Bellman–Ford 算法解决，时间复杂度是 $O(n^{2}m)$ 的，也可以直接用 Floyd 算法解决，时间复杂度为 $O(n^3)$．

注意到堆优化的 Dijkstra 算法求单源最短路径的时间复杂度比 Bellman–Ford 更优，如果枚举起点，跑 $n$ 次 Dijkstra 算法，就可以在 $O(nm\log m)$（取决于 Dijkstra 算法的实现）的时间复杂度内解决本问题，比上述跑 $n$ 次 Bellman–Ford 算法的时间复杂度更优秀，在稀疏图上也比 Floyd 算法的时间复杂度更加优秀．

但 Dijkstra 算法不能正确求解带负权边的最短路，因此我们需要对原图上的边进行预处理，确保所有边的边权均非负．

一种容易想到的方法是给所有边的边权同时加上一个正数 $x$，从而让所有边的边权均非负．如果新图上起点到终点的最短路经过了 $k$ 条边，则将最短路减去 $kx$ 即可得到实际最短路．

但这样的方法是错误的．考虑下图：

$1\to 2$ 的最短路为 $1\to 5\to 3\to 2$，长度为 $-2$．

但假如我们把每条边的边权加上 $5$ 呢？

新图上 $1\to 2$ 的最短路为 $1\to 4\to 2$，已经不是实际的最短路了．

Johnson 算法则通过另外一种方法来给每条边重新标注边权．

我们新建一个虚拟节点（在这里我们就设它的编号为 $0$）．从这个点向其他所有点连一条边权为 $0$ 的边．

接下来用 Bellman–Ford 算法求出从 $0$ 号点到其他所有点的最短路，记为 $h_i$．

假如存在一条从 $u$ 点到 $v$ 点，边权为 $w$ 的边，则我们将该边的边权重新设置为 $w+h_u-h_v$．

接下来以每个点为起点，跑 $n$ 轮 Dijkstra 算法即可求出任意两点间的最短路了．

一开始的 Bellman–Ford 算法并不是时间上的瓶颈，若使用 priority_queue 实现 Dijkstra 算法，该算法的时间复杂度是 $O(nm\log m)$．

正确性证明

为什么这样重新标注边权的方式是正确的呢？

在讨论这个问题之前，我们先讨论一个物理概念——势能．

诸如重力势能，电势能这样的势能都有一个特点，势能的变化量只和起点和终点的相对位置有关，而与起点到终点所走的路径无关．

势能还有一个特点，势能的绝对值往往取决于设置的零势能点，但无论将零势能点设置在哪里，两点间势能的差值是一定的．

接下来回到正题．

在重新标记后的图上，从 $s$ 点到 $t$ 点的一条路径 $s\to p_1\to p_2\to \cdots \to p_k\to t$ 的长度表达式如下：

$(w(s,p_1)+h_s-h_{p_1})+(w(p_1,p_2)+h_{p_1}-h_{p_2})+\cdots +(w(p_k,t)+h_{p_k}-h_t)$

化简后得到：

$w(s,p_1)+w(p_1,p_2)+\cdots +w(p_k,t)+h_s-h_t$

无论我们从 $s$ 到 $t$ 走的是哪一条路径，$h_s-h_t$ 的值是不变的，这正与势能的性质相吻合！

为了方便，下面我们就把 $h_i$ 称为 $i$ 点的势能．

上面的新图中 $s\to t$ 的最短路的长度表达式由两部分组成，前面的边权和为原图中 $s\to t$ 的最短路，后面则是两点间的势能差．因为两点间势能的差为定值，因此原图上 $s\to t$ 的最短路与新图上 $s\to t$ 的最短路相对应．

到这里我们的正确性证明已经解决了一半——我们证明了重新标注边权后图上的最短路径仍然是原来的最短路径．接下来我们需要证明新图中所有边的边权非负，因为在非负权图上，Dijkstra 算法能够保证得出正确的结果．

根据三角形不等式，图上任意一边 $(u,v)$ 上两点满足：$h_v\le h_u+w(u,v)$．这条边重新标记后的边权为 $w^{\prime }(u,v)=w(u,v)+h_u-h_v\ge 0$．这样我们证明了新图上的边权均非负．

这样，我们就证明了 Johnson 算法的正确性．

不同方法的比较

最短路算法	Floyd	Bellman–Ford	Dijkstra	Johnson
最短路类型	每对结点之间的最短路	单源最短路	单源最短路	每对结点之间的最短路
作用于	任意图	任意图	非负权图	任意图
能否检测负环？	能	能	不能	能
时间复杂度	$O(N^3)$	$O(NM)$	$O(M\log M)$	$O(NM\log M)$

注：表中的 Dijkstra 算法在计算复杂度时均用 priority_queue 实现．

输出方案

开一个 pre 数组，在更新距离的时候记录下来后面的点是如何转移过去的，算法结束前再递归地输出路径即可．

比如 Floyd 就要记录 pre[i][j] = k;，Bellman–Ford 和 Dijkstra 一般记录 pre[v] = u．

一些特殊情形

• 边权只由 $0$ 和 $1$ 组成的图上最短路：0-1 BFS；
• 允许至多 $k$ 次改变路径成本等操作的最短路问题：分层图最短路．

多平台练习

| 洛谷 | 本题单 | 竞赛基础 |
| POJ (北大) | PKU JudgeOnline | 经典题目，适合巩固 |
| HDU (杭电) | HDU OJ | 暑期多校训练 |
| Codeforces | Codeforces | 国际竞赛，适合提升 |