Floyd算法：动态规划实现最短路径的核心原理与实践

1. Floyd算法：动态规划视角下的最短路径求解

Floyd算法就像一位经验丰富的交通规划师，手持城市地图挨个检查每个十字路口："如果把这个路口作为中转站，能不能让某些路线变得更短？"这个看似简单的思路，背后却蕴含着动态规划的深刻思想。

我们先来看算法的核心代码实现：

python复制def floyd(graph):
    n = len(graph)
    dist = [[0]*n for _ in range(n)]
    
    # 初始化距离矩阵
    for i in range(n):
        for j in range(n):
            dist[i][j] = graph[i][j]
    
    # 三重循环更新最短路径
    for k in range(n):
        for i in range(n):
            for j in range(n):
                if dist[i][k] + dist[k][j] < dist[i][j]:
                    dist[i][j] = dist[i][k] + dist[k][j]
    return dist

1.1 为什么需要独立的距离矩阵？

新手最容易犯的错误就是直接在原始图上修改。想象你正在规划城市A到城市C的路线，如果直接在原矩阵上更新距离，那么后续计算城市B到城市D时，可能就会用到已经被污染的A-C距离数据。这种"脏读"会导致整个算法失效。

专业提示：dist矩阵的创建本质上是一种"写时复制"技术，它保证了在每一轮迭代中，所有距离比较都是基于上一轮完整、一致的状态。

1.2 三重循环的深层逻辑

最外层的k循环控制着中间节点的选择顺序。以中国城市为例，当k=武汉时，算法会检查所有以武汉为中转的路线是否更优：

code复制北京->武汉->广州 比 北京->广州 快吗？
上海->武汉->成都 比 上海->成都 快吗？
...

这种检查会依次对每个城市(k)作为中转站进行，确保不遗漏任何可能的优化路径。

2. 动态规划思想的完美体现

2.1 最优子结构特性

Floyd算法的核心在于其动态规划特性。