图论算法实战：最短路径与拓扑排序应用解析

1. 图论专题训练核心价值解析

作为算法训练营第49天的核心内容，图论专题2延续了数据结构与算法中最为关键的进阶知识模块。在实际工程和竞赛场景中，图结构能优雅地建模社交网络、交通系统、状态机等复杂关系，而今天的训练重点在于掌握以下核心能力：

• 带权图的最短路径算法：Dijkstra与Floyd的工程实现差异
• 拓扑排序的典型应用场景：编译依赖解析与任务调度
• 连通性问题的Tarjan算法：寻找关键网络节点
• 二分图判定与匹配：资源分配问题的数学建模

我曾参与过分布式系统的服务依赖分析项目，正是靠着扎实的图论基础，才能快速定位到循环依赖导致的服务启动死锁问题。下面分享的代码实现和优化技巧，都是经过线上环境验证的实战方案。

2. 最短路径算法工程实践

2.1 Dijkstra算法的优先级队列优化

传统教材介绍的Dijkstra实现使用线性扫描查找最小距离节点，时间复杂度为O(V²)。在实际开发中我们总是采用优先队列优化版：

python复制import heapq

def dijkstra(adj, start):
    heap = [(0, start)]
    dist = {start: 0}
    while heap:
        d, u = heapq.heappop(heap)
        if d > dist.get(u, float('inf')):
            continue
        for v, w in adj[u]:
            if dist.get(v, float('inf')) > d + w:
                dist[v] = d + w
                heapq.heappush(heap, (dist[v], v))
    return dist

关键细节：每次从堆顶取出节点后，需要检查当前距离是否已被更新。这是避免重复处理的关键剪枝操作，能减少约30%的无效计算。

2.2 Floyd算法的动态规划本质

Floyd-Warshall算法通过三重循环实现全源最短路径，其核心状态转移方程：

code复制dp[k][i][j] = min(dp[k-1][i][j], dp[k-1][i][k] + dp[k-1][k][j])

实际编码时采用滚动数组优化空间复杂度：

python复制def floyd(n, edges):
    dp = [[float('inf')] * n for _ in range(n)]
    for i in range(n):
        dp[i][i] = 0
    for u, v, w in edges:
        dp[u][v] = w
    
    for k in range(n):
        for i in range(n):
            for j in range(