M1、M2芯片Mac安装虚拟机教学，稳！

### 动态规划中最短路径算法的递推公式 动态规划用于解决最短路径问题的核心在于通过状态转移方程来逐步构建最优解。假设存在一个加权图 \( G=(V,E) \)，其中 \( V \) 是顶点集合，\( E \) 是边集合，则可以定义从顶点 \( i \) 到顶点 \( j \) 的最短路径长度。 #### 定义递推关系 设 \( D(i,j,k) \) 表示从顶点 \( i \) 到顶点 \( j \) 的最短路径长度，且这条路径只允许经过编号小于等于 \( k \) 的中间节点。那么递推公式如下： \[ D(i,j,k)=\begin{cases} w(i,j), & \text{if } k=0 \\ \min(D(i,j,k-1), D(i,k,k-1)+D(k,j,k-1)), & \text{otherwise} \end{cases} \] 这里 \( w(i,j) \) 表示直接连接顶点 \( i \) 和 \( j \) 边的权重[^4]。 #### 两种情况的推导过程 ##### 情况一：不考虑第 \( k \) 号节点作为中间节点 如果最短路径从 \( i \) 到 \( j \) 不经过任何编号大于 \( k-1 \) 的节点，则此时的状态值保持不变，即： \[ D(i,j,k) = D(i,j,k-1) \] ##### 情况二：考虑第 \( k \) 号节点作为中间节点 当最短路径可能经过编号为 \( k \) 的节点时，需要比较两条潜在路径的长度： 1. **直接路径**：从 \( i \) 到 \( j \) ，其长度由前一步的结果给出，即 \( D(i,j,k-1) \)； 2. **间接路径**：先从 \( i \) 经过 \( k \) 再到达 \( j \)，总长度为 \( D(i,k,k-1) + D(k,j,k-1) \)[^5]。 最终取两者较小者作为新的状态值： \[ D(i,j,k) = \min(D(i,j,k-1), D(i,k,k-1) + D(k,j,k-1)) \] 此公式的本质是利用分治的思想，在每一轮迭代中尝试加入一个新的候选中间节点，并重新评估当前已知的最佳路径。 ```python def floyd_warshall(graph): node_num = len(graph) shortest_path_matrix = [[float('inf')] * node_num for _ in range(node_num)] # 初始化距离矩阵 for i in range(node_num): for j in range(node_num): if i == j: shortest_path_matrix[i][j] = 0 elif graph[i][j]: shortest_path_matrix[i][j] = graph[i][j] # 更新距离矩阵 for k in range(node_num): for i in range(node_num): for j in range(node_num): shortest_path_matrix[i][j] = min( shortest_path_matrix[i][j], shortest_path_matrix[i][k] + shortest_path_matrix[k][j] ) return shortest_path_matrix ```