深入理解Bellman-Ford（SPFA）算法

前言

Bellman-Ford算法，限于资料匮乏和时间复杂度比Dijkstra算法高，包括白书在内的很多资料，都没说得太明白。对于优化后的SPFA算法也没有提及。
而且最短路问题通常是作为图论的入门问题，学习者通常没有图论基础，不知道图论的一些基本常识，看已有的资料很容易产生疑惑。其实，从Bellman-ford算法优化到SPFA算法实际上是顺理成章的。

本文旨在阐明这两个算法思想和步骤，如果有什么晦涩或者疏漏之处在所难免，烦劳读者们指出。

这里是我的个人网站：
https://endlesslethe.com/bellmanford-spfa-tutorial.html
有更多总结分享，最新更新也只会发布在我的个人网站上。
排版也可能会更好看一点=v=

Bellman-Ford算法有什么用

Bellman-Ford算法是用来解决单源最短路问题的。
在现实生活旅游途中，我们通常想知道一个景点到其他所有景点的最短距离，以方便我们决定去哪些比较近的景点。而这时候，Bellman-Ford算法就有用了。

Bellman-Ford算法的优点是可以发现负圈，缺点是时间复杂度比Dijkstra算法高。
而SPFA算法是使用队列优化的Bellman-Ford版本，其在时间复杂度和编程难度上都比其他算法有优势。

算法流程

（1）初始化：将除起点s外所有顶点的距离数组置无穷大 d[v] = INF, d[s] = 0
（2）迭代：遍历图中的每条边，对边的两个顶点分别进行一次松弛操作，直到没有点能被再次松弛
（3）判断负圈：如果迭代超过V-1次，则存在负圈

我们用距离数组d[i]来记录起点s到点i的最短距离。

看了上面的算法流程，通常我们会有四个问题：

1. 什么是松弛操作
2. 迭代多少次？
3. 迭代的实际意义是什么？
4. 为什么迭代超过v-1次就存在负圈？

直观理解松弛操作

如图，假设选取边<3,4>来进行松弛操作，那么进行两次如下操作（w为边权）：
d[3] = min(d[3], d[4]+w) // 对点3
d[4] = min(d[4], d[3]+w) // 对点4
这样做的目的是让距离数组d尽量的小。
而每一次让d[i]减小的松弛操作，我们都称其“松弛成功”。

而实际中，我们使用的松弛操作可以是选取一条边，也可以是从一个点from到另一个点to。后者对应的松弛操作为：
d[to] = min(d[to], d[from] + w)

从最短路的角度来讲，如果对点3的松弛操作成功，意味着从s到4再从4到3这条路比其他从s到3的路都短，距离数组中的d[3]就是目前起点到点3的最短距离。

我们可以总结为：每一次成功的松弛操作，都意味着我们发现了一条新的最短路。

直观理解迭代

第二第三个问题实际上都是同一个问题：迭代的实际意义是什么？
这里我先给出迭代的定义：每次都遍历图中的所有边，对每条边（的两个端点）都进行松弛操作。

下面，我们以上图中的点和边为例，讲清楚迭代的实际意义：