本文深入探讨了在处理大规模图时Dijkstra算法常见的性能瓶颈，特别是由于对优先级队列进行线性扫描以检查节点存在性及更新距离所导致的效率低下。我们将分析问题根源，并提供具体的优化策略，包括采用“惰性删除”机制和正确初始化距离数组，旨在显著提升算法在亿级节点图上的执行速度，使其满足严格的性能要求。
理解Dijkstra算法与性能挑战
Dijkstra算法是一种用于在图中查找从单一源点到所有其他顶点的最短路径的贪婪算法。其核心思想是维护一个已发现但尚未处理的顶点集合，并从中选择距离源点最近的顶点进行扩展。这个集合通常由优先级队列（Priority Queue）实现，以确保每次都能高效地取出当前距离最小的顶点。
Dijkstra算法的标准时间复杂度通常表示为 $O(E \log V)$ 或 $O(E + V \log V)$，这取决于所使用的优先级队列的具体实现（例如，二叉堆或斐波那契堆）。然而，当处理包含数百万甚至数千万节点的超大型图时，即使是看似高效的操作也可能成为性能瓶颈。
识别Java PriorityQueue的性能瓶颈
在Java中，java.util.PriorityQueue底层是基于二叉堆实现的。它提供了 $O(\log N)$ 的 add 和 poll 操作，但对于 remove(Object) 操作，其性能是 $O(N)$，因为需要遍历队列来查找并移除指定元素。更糟糕的是，如果需要先查找一个元素，然后根据其内部值更新其优先级（即“decrease-key”操作），标准 PriorityQueue并没有提供高效的原生支持。
原始代码中的主要性能问题源于以下两处对优先级队列的低效操作：
- 检查节点是否存在于队列中 (prioQueue.stream().anyMatch(...)): 这一操作需要对整个优先级队列进行线性扫描，时间复杂度为 $O(N)$，其中 $N$ 是队列中的元素数量。
- 更新队列中节点的距离 (prioQueue.stream().filter(...).toList().get(0) 后 remove 再 add): 这首先需要线性扫描找到目标元素 ($O(N)$)，然后调用 remove 方法移除该元素 ($O(N)$)，最后再 add 新元素 ($O(\log N)$)。这使得单次“decrease-key”操作的整体复杂度高达 $O(N)$。
考虑到图可能包含2500万个节点，这些 $O(N)$ 的操作在Dijkstra算法的循环中被频繁调用，将原本高效的 $O(E \log V)$ 复杂度严重劣化，使其接近 $O(E \cdot V)$，从而导致算法运行时间从秒级飙升到分钟级。
优化策略：惰性删除与正确初始化
为了解决上述性能问题，我们可以采取以下优化策略：
1. 距离数组的正确初始化
Dijkstra算法要求所有未访问节点的距离初始化为“无穷大”。在Java中，可以使用 Integer.MAX_VALUE 来表示。原始代码将距离数组初始化为0，并用 distance[targetIndex]==0 来判断节点是否未被访问，这在某些情况下可能导致错误（例如，当最短路径长度确实为0时）。
优化方法： 将 distance 数组的所有元素初始化为 Integer.MAX_VALUE，源节点的距离设置为0。
2. 采用“惰性删除”（Lazy Deletion）策略
由于Java的 PriorityQueue 不直接支持高效的 decrease-key 操作，我们避免显式地从队列中移除旧的、优先级较低的元素。取而代之的是，当发现到某个节点有更短的路径时，我们直接将带有新更短距离的节点重新添加到优先级队列中。这样，队列中可能会出现
