Dijkstra适用于非负权图求单源最短路径，Bellman-Ford可处理负权边并检测负环，Floyd-Warshall求解所有顶点对最短路径，A*用于启发式搜索；根据图的规模、权重特性选择合适算法。
在Python中求解最短路径问题，常用的算法有几种，每种适用于不同的图结构和场景。以下是几种主流的最短路径算法及其适用情况。
Dijkstra算法
用于求解单源最短路径，适用于边权为非负值的图。
- 时间复杂度：O(V²) 或使用堆优化到 O((V + E) log V)，其中 V 是顶点数，E 是边数。
- 适合稠密图或稀疏图，广泛用于路由、地图导航等。
- Python实现常借助heapq模块实现优先队列。
Bellman-Ford算法
解决单源最短路径问题，支持边权为负数**，但不能处理负权环。
- 时间复杂度：O(V × E)，比Dijkstra慢，但更通用。
- 能检测图中是否存在从源点可达的负权环。
- 适合金融网络、某些动态规划场景。
Floyd-Warshall算法
求解所有顶点对之间的最短路径，适用于小规模图。
立即学习“Python免费学习笔记（深入）”；
- 时间复杂度：O(V³)，空间复杂度：O(V²)。
- 支持负权边，也能检测负权环。
- 适合做全局距离矩阵，比如交通网络中任意两城市间最短距离。
A*（A星）算法
启发式搜索算法，常用于路径规划和游戏寻路。
- 基于Dijkstra改进，引入启发函数（如欧几里得距离或曼哈顿距离）加速搜索。
- 在地图、网格图中表现优异，能找到最优路径且效率高。
- 需要设计合理的启发函数，否则退化为Dijkstra。
这些算法在Python中可以通过手写实现，也可以借助networkx、igraph等库快速调用。
例如用networkx：
import networkx as nx G = nx.Graph() G.add_weighted_edges_from([(0,1,2), (1,2,3), (0,2,4)]) shortest = nx.dijkstra_path(G, source=0, target=2) print(shortest)
基本上就这些常用选择，根据图的特性（是否有负权、是否稀疏、是否需要全局路径）来决定用哪个算法。不复杂但容易忽略的是边权类型和图的规模。
