1. 项目概述从“两点之间直线最短”到复杂网络的最优解我们从小就知道“两点之间线段最短”这大概是每个人对“最短路径”最朴素的理解。但在现实世界无论是城市间的公路网、互联网的数据包路由还是社交网络中的信息传播路径往往不是一条简单的直线。你从家到公司导航软件如何在成百上千条可能的路线中瞬间为你规划出“最快”或“最短”的那一条这背后就是图论中最经典、应用也最广泛的问题之一——最短路径问题。对于数学建模竞赛的参与者来说最短路径问题几乎是一个“必考题”。它可能直接出现在题目描述中要求你规划物流路线、设计通信网络也可能作为一个关键的“子模块”隐藏在诸如资源调度、设施选址、网络流优化等更复杂的问题背后。能否快速、准确地解决它直接关系到模型的效率和最终成绩。我自己在带队和参赛的过程中无数次看到队伍卡在这里要么算法选错导致结果错误或计算超时要么对算法理解不深无法根据具体场景进行变通和优化。因此这篇笔记的目的不是简单地罗列算法步骤而是希望结合我多年的实战和教学经验带你深入理解迪杰斯特拉Dijkstra、贝尔曼-福特Bellman-Ford和弗洛伊德Floyd这三大核心算法的“灵魂”。我会重点讲清楚它们各自解决什么类型的问题在什么情况下会“失灵”在实际编程和数学建模中有哪些教科书上不会写的“坑”和“技巧”我们最终的目标是让你拿到一个涉及路径优化的问题时能像条件反射一样迅速选出最合适的“武器”并稳健地实现它。2. 核心概念与问题定义把现实世界抽象成“图”在动手之前我们必须统一语言把纷繁复杂的现实问题抽象成图论模型。这是建模的第一步也是最关键的一步抽象的好坏直接决定了后续算法的选择和实现的复杂度。2.1 图的构成要素点、边与权值一个用于最短路径计算的图通常由以下几个核心要素构成顶点Vertex表示我们关注的对象。在城市交通问题中顶点是交叉路口或城市在通信网络中顶点是路由器或服务器在社交网络中顶点是个人。通常用集合 V 表示。边Edge表示顶点之间的关系或连接。边可以是有方向的称为有向图比如城市间的单行道、网页间的超链接也可以是无方向的称为无向图比如双向通行的道路、朋友关系。通常用集合 E 表示一条边可以记作 (u, v) 或 。权值Weight附着在边上的一个数值表示通过这条边的“代价”。这个代价可以是距离、时间、费用、风险等任何需要最小化的指标。这是最短路径问题的核心因为我们的目标就是找到所有路径中权值总和最小的那条。注意有些问题中顶点也可能有权重如经过某个城市的关税这类问题通常可以转化为边权问题或者使用更通用的“费用流”模型不在基础最短路径讨论范围内。我们这里聚焦于经典的边权问题。2.2 最短路径问题的严格定义给定一个带权图 G(V, E) 和一个起点源点s 最短路径问题的目标是找到从 s 到图中所有其他顶点 v (v ∈ V) 的路径使得路径上所有边的权值之和最小。这条路径称为从 s 到 v 的最短路径其权值和称为最短距离。这里有几个关键变种直接影响算法选择单源最短路径求从一个固定起点 s 到图中所有其他点的最短路径。这是最常见的形式迪杰斯特拉和贝尔曼-福特算法就是为解决它而生的。多源最短路径求图中任意两个顶点之间的最短路径。弗洛伊德算法是这方面的“全能选手”。单目标最短路径求所有顶点到一个固定终点的最短路径。这可以通过反转图中所有边的方向转化为单源最短路径问题。单对顶点最短路径只求两个特定点之间的最短路径。虽然终极目标单一但大多数高效算法如迪杰斯特拉在求解过程中依然会计算出起点到许多中间点的最短路径。2.3 负权边与负权环算法选择的“分水岭”边权可以是正数、零或负数。正权最为常见距离、时间、成本。零权边一般不影响结果。负权边的存在则是区分算法适用性的关键。为什么负权边这么特殊想象一条“魔法隧道”穿过它不仅能瞬间抵达还能让你获得奖励权值为负。那么你可能会想不停地穿过这条隧道来无限降低总代价。如果图中存在一个环其各边权值之和为负数负权环那么从环上任意一点出发每绕环一圈总路径长度就会减少。这意味着不存在“最短”路径因为你可以通过无限循环使路径长度趋于负无穷。迪杰斯特拉算法的基石是“贪心”策略它假定当前找到的最短路径就是全局最短的。一旦存在负权边这个假定就被打破了因为它可能错过一条先绕远路经过负权边再抵达的更短路径。所以迪杰斯特拉算法不能处理含有负权边的图。贝尔曼-福特算法通过更保守的“松弛”操作可以检测并处理负权边甚至能报告图中是否存在负权环。弗洛伊德算法作为多源算法也能处理负权边并能检测负权环的存在。因此面对一个问题你的第一个判断应该是图中是否有负权边这个问题的答案将直接指引你避开迪杰斯特拉这个“陷阱”。3. 算法核心原理与思想对比三大算法各有其哲学理解其思想比背诵代码更重要。3.1 迪杰斯特拉算法步步为营的“贪心”探索者迪杰斯特拉算法像一个拥有完美地图的谨慎探索者。它从起点出发每次总是从“未确定最短路径的顶点集合”中选择一个距离起点最近的顶点宣布它的最短路径已被找到然后根据这个新确定的点去更新它所有邻居的距离。这个“选择最近点”的过程就是贪心策略。核心思想设所有顶点分为两个集合S已确定最短路径的顶点和 T未确定的顶点。初始时S 只包含起点 ss 到自身的距离为0到其他点的距离初始化为无穷大。从 T 中选出距离 s 最近的点 u将其加入 S。此时s 到 u 的最短路径就确定了。因为如果存在一条更短的路径这条路径必然经过某个 T 中的点 v那么 s 到 v 的距离就会小于 s 到 u 的距离这与“u 是 T 中距离最近的点”矛盾。用点 u 作为“跳板”松弛其所有邻接点 v。即检查如果distance[s-u] weight(u, v) distance[s-v]则更新distance[s-v]为这个更小的值并记录 v 的前驱为 u。重复步骤2和3直到 T 为空或找到了目标终点单对顶点问题时。时间复杂度使用普通数组每次遍历查找最近点O(V²)适合稠密图。使用二叉堆优先队列优化O((VE) log V)适合稀疏图。这是竞赛和工程中最常用的实现。实操心得迪杰斯特拉算法在纸上演算时非常直观但编程实现时维护一个高效的优先队列是关键。C的priority_queuePython的heapq是标配。切记当更新一个已在队列中的顶点的距离时标准优先队列不支持直接修改键值常见的做法是直接将新的更短距离顶点对插入队列当从队列中取出时判断该距离是否已经过时大于当前记录的最短距离若是则丢弃。这被称为“惰性删除”。3.2 贝尔曼-福特算法稳扎稳打的“动态规划”大师贝尔曼-福特算法像一个不厌其烦的审查员。它不相信局部最优而是进行全局的、多轮次的检查。其核心思想是最短路径最多包含 |V|-1 条边否则就会重复经过顶点形成环而正权环会增加长度负权环则无最短路径。因此它进行 |V|-1 轮松弛操作每轮遍历所有边试图找到更短的路径。核心思想初始化起点距离为0其余为无穷大。进行 |V|-1 轮迭代每轮中对图中的每一条边 (u, v)尝试松弛if distance[u] weight(u, v) distance[v]: distance[v] distance[u] weight(u, v)理论上经过 |V|-1 轮松弛后所有可能的最短路径都应被找到。为了检测负权环再进行第 |V| 轮检查如果还能对任何一条边进行成功的松弛操作则说明图中存在从起点可达的负权环。时间复杂度O(V * E)显然高于迪杰斯特拉。这是它为处理负权边和进行环检测所付出的代价。注意事项贝尔曼-福特算法虽然慢但它的实现极其简单且对图的结构没有特殊要求边列表存储即可。在边权可能为负如金融中的套利问题、某些物理模型或者图非常小的情况下它是可靠的选择。一个重要的优化是如果在某一轮松弛中没有任何距离被更新那么算法可以提前终止因为后续轮次也不会再有变化。这在很多实际场景下能大幅减少计算量。3.3 弗洛伊德算法洞察全局的“矩阵运算”智者弗洛伊德算法采用完全不同的视角——动态规划。它不关心单一起点而是直接求解所有顶点对之间的最短路径。其思想精妙而简洁考虑图中所有顶点依次将每个顶点作为“中转站”检查对于任意两点 i 和 j是直接走已知的路径更短还是经过中转站 k 更短。核心思想 定义二维数组dist[i][j]表示顶点 i 到 j 的当前最短距离。初始化dist[i][j] weight(i, j)如果 i, j 有直接边否则为无穷大dist[i][i] 0。最外层的循环枚举中转站 k (从 1 到 V)第二层循环枚举起点 i第三层循环枚举终点 j执行松弛if dist[i][k] dist[k][j] dist[i][j]: dist[i][j] dist[i][k] dist[k][j]循环结束后dist[i][j]即为 i 到 j 的最短距离。时间复杂度O(V³)空间复杂度 O(V²)。这意味着它只适用于顶点数不多通常 V 500的情况。实操心得弗洛伊德算法的代码是“三重循环”极其好记。但它有两个致命弱点立方级的时间复杂度和平方级的空间消耗。在数学建模中如果问题规模稍大直接使用弗洛伊德很容易超时或超内存。它的优势在于代码简单且能一次性获得全局信息适合作为子模块进行快速原型验证或者在顶点数极少时作为“万能钥匙”使用。另外弗洛伊德算法中三层循环的顺序必须是 k, i, j中转站循环在最外层这是动态规划状态转移的依赖关系决定的写错了结果就不对。4. 算法选择决策流与实战场景分析理论懂了面对具体问题到底该用哪个下面这个决策流程和场景分析是我在指导队伍时总结的“快速决策树”。4.1 算法选择决策流程图文字描述版问题第一步需要求哪些点对之间的最短路径单源一个起点到所有其他点 - 进入第2步。多源/全源所有点对之间 - 直接考虑弗洛伊德算法但需立刻评估顶点数 V。如果 V 500弗洛伊德很可能超时需要思考能否转化为多次单源问题例如使用堆优化迪杰斯特拉算法跑 V 次复杂度 O(V * (VE)logV)在稀疏图上可能优于 O(V³)。第二步针对单源问题图中是否有负权边有负权边或不确定例如权值来自某种可能为负的收益计算- 选择贝尔曼-福特算法。如果图非常稠密E ≈ V²且需要检测负权环这是最稳妥的选择。没有负权边所有边权 ≥ 0- 进入第3步。第三步单源、非负权图的规模与稀疏程度如何图规模较小或对实现速度要求极简- 可以使用未优化的迪杰斯特拉O(V²)代码简单。图规模较大且是稀疏图E 远小于 V²-这是最常见的情况毫不犹豫地选择堆优化优先队列的迪杰斯特拉算法这是竞赛和工程中的绝对主力。图规模大且是稠密图- 堆优化的优势减弱可以对比 O(V²) 的朴素迪杰斯特拉和 O((VE)logV) 的堆优化版本有时朴素版常数更小。4.2 典型数学建模场景映射场景一城市交通规划/物流配送路径优化问题特征顶点是地点边是道路权值是距离或时间均为正。通常是单源从配送中心出发或单对顶点从A到B问题。算法选择堆优化迪杰斯特拉算法。这是它的主场。如果城市数量顶点特别多还需要结合图剪枝如只考虑主干道、分层先高速后市政等技巧或者使用更高级的 A* 搜索算法如果有启发式信息如直线距离。场景二金融网络中的套利检测问题特征将货币兑换视为图顶点是货币边是汇率。将汇率取负对数后套利机会等价于图中存在负权环。算法选择贝尔曼-福特算法。它的负权环检测功能正好用于此。弗洛伊德也可以检测但通常顶点数货币种类不多两者皆可。场景三通信网络的路由协议模拟问题特征需要计算网络中所有路由器顶点之间的最短路径跳数或延迟。权值非负。算法选择如果网络规模小几十个节点用弗洛伊德一次性算出全表很方便。如果规模大通常使用迪杰斯特拉的变种如链路状态路由协议OSPF的原理每个节点独立计算到自己到其他节点的最短路径。场景四社交网络中的“六度空间”分析问题特征研究任意两人之间的最短连接路径朋友链长度。边权可视为1每层关系。算法选择这是一个无权图的最短路径问题可以转化为权值均为1的特殊带权图。此时广度优先搜索BFS是效率最高的“算法”其时间复杂度为 O(VE)。迪杰斯特拉在边权相等时会退化成类似BFS的行为但优先队列的开销使其比BFS慢。弗洛伊德则过于浪费。5. 实战编程实现与代码剖析以Python为例理论最终要落地为代码。这里我用Python给出三个算法的核心实现并附上关键注释和避坑指南。5.1 堆优化迪杰斯特拉算法实现import heapq def dijkstra_heap(graph, start): 使用优先队列最小堆优化的Dijkstra算法。 :param graph: 邻接表表示的图。graph[u] [(v, weight), ...] :param start: 起始顶点 :return: dist字典记录start到所有点的最短距离prev字典记录前驱节点用于重构路径 V len(graph) dist {i: float(inf) for i in range(V)} prev {i: None for i in range(V)} dist[start] 0 # 优先队列元素为 (当前距离, 顶点) pq [(0, start)] while pq: current_dist, u heapq.heappop(pq) # 关键技巧惰性删除。如果弹出的距离大于记录的距离说明是旧数据跳过。 if current_dist dist[u]: continue for v, w in graph[u]: new_dist current_dist w if new_dist dist[v]: dist[v] new_dist prev[v] u heapq.heappush(pq, (new_dist, v)) # 可能将同一个顶点多次推入队列 return dist, prev # 路径重构函数 def reconstruct_path(prev, start, end): path [] curr end while curr is not None: path.append(curr) curr prev[curr] path.reverse() return path if path[0] start else [] # 确保路径是连通的 # 示例图一个简单的5个顶点的图 graph_adj { 0: [(1, 4), (2, 1)], 1: [(3, 1)], 2: [(1, 2), (3, 5)], 3: [(4, 3)], 4: [] } dist, prev dijkstra_heap(graph_adj, 0) print(距离:, dist) print(从0到4的路径:, reconstruct_path(prev, 0, 4))避坑指南邻接表存储对于稀疏图务必使用邻接表字典或列表的列表而不是邻接矩阵否则空间和时间开销巨大。惰性删除如上代码所示if current_dist dist[u]: continue这行至关重要。因为更新一个点的距离时我们无法直接修改堆中已有的该点数据只能插入新数据。旧数据会在后续被弹出时丢弃。无穷大的表示使用float(inf)。路径记录prev字典记录每个顶点的“前驱”是最终重构出具体路径的关键。如果只求距离可以省略。5.2 贝尔曼-福特算法实现def bellman_ford(edges, V, start): 贝尔曼-福特算法。 :param edges: 边列表每个元素为 (u, v, w) :param V: 顶点总数 :param start: 起始顶点 :return: (dist, has_negative_cycle)。如果存在从起点可达的负权环has_negative_cycle为True。 dist [float(inf)] * V dist[start] 0 # 松弛 |V|-1 轮 for _ in range(V - 1): updated False for u, v, w in edges: if dist[u] ! float(inf) and dist[u] w dist[v]: dist[v] dist[u] w updated True # 提前终止优化如果本轮没有更新则后续也不会更新 if not updated: break # 第 |V| 轮检查负权环 has_negative_cycle False for u, v, w in edges: if dist[u] ! float(inf) and dist[u] w dist[v]: has_negative_cycle True break # 检测到负权环 return dist, has_negative_cycle # 示例边列表包含5个顶点 edges_list [ (0, 1, 4), (0, 2, 1), (2, 1, 2), (1, 3, 1), (2, 3, 5), (3, 4, 3) ] V 5 dist, has_nc bellman_ford(edges_list, V, 0) print(距离:, dist) print(存在负权环?, has_nc)避坑指南输入格式算法直接操作边列表因此图的存储方式很简单。提前终止updated标志位的优化在大多数情况下能显著减少循环次数务必加上。负权环检测第 |V| 轮检查必须单独进行不能合并到前 |V|-1 轮中因为我们需要区分“正常完成”和“因负权环无法收敛”。无穷大判断在松弛条件dist[u] w dist[v]中必须先判断dist[u] ! float(inf)否则inf w在有些语言中可能产生未定义行为或错误。5.3 弗洛伊德算法实现def floyd_warshall(graph_matrix): 弗洛伊德算法。 :param graph_matrix: 邻接矩阵。graph[i][j] 表示边(i,j)的权值无直接边则为infgraph[i][i]0。 :return: 最短距离矩阵dist。 V len(graph_matrix) dist [row[:] for row in graph_matrix] # 创建副本不修改原矩阵 # 核心三重循环顺序必须是 k, i, j for k in range(V): for i in range(V): # 一个小优化如果i到k是无穷大则跳过 if dist[i][k] float(inf): continue for j in range(V): # 如果k到j是无穷大也跳过 if dist[k][j] float(inf): continue if dist[i][k] dist[k][j] dist[i][j]: dist[i][j] dist[i][k] dist[k][j] return dist # 示例邻接矩阵 INF float(inf) graph_matrix [ [0, 4, 1, INF, INF], [INF, 0, INF, 1, INF], [INF, 2, 0, 5, INF], [INF, INF, INF, 0, 3], [INF, INF, INF, INF, 0] ] dist_matrix floyd_warshall(graph_matrix) print(全源最短距离矩阵:) for row in dist_matrix: print(row)避坑指南循环顺序for k in range(V): for i in range(V): for j in range(V):这个顺序是铁律。k代表中转点必须放在最外层因为动态规划的状态dist[i][j]依赖于上一轮k-1的结果。初始化确保对角线元素为0不存在的边初始化为无穷大。空间消耗dist矩阵是 O(V²) 的。如果顶点数上万这个矩阵将占用数百MB内存需要谨慎使用。路径记录如果需要记录具体路径可以同时维护一个next矩阵next[i][j]表示从 i 到 j 的最短路径上 i 的后继节点。在松弛成功时更新next[i][j] next[i][k]。6. 数学建模中的高级技巧与变种问题掌握了基础算法在真正的数学建模比赛中问题往往不会这么“标准”。你需要学会变通和组合。6.1 处理多权重多目标优化实际问题中“最短”可能不止一个标准。比如既要距离短又要费用低还要时间少。这通常有三种处理方式加权求和将多个权重距离、费用、时间按重要程度分配系数加权合并为一个综合权值。例如综合代价 α * 距离 β * 费用 γ * 时间。然后在这个综合权值图上跑标准最短路径算法。关键在于系数 α, β, γ 的确定可能需要层次分析法AHP或根据题目条件设定。分层决策先满足首要约束如时间必须在T以内在满足该约束的所有路径中找次优目标如费用最低。这可以转化为有约束的最短路径问题可能需要使用改进的迪杰斯特拉在状态中增加一维时间信息或者用动态规划求解。Pareto最优解集如果不希望合并权重可以寻找所有“非支配”路径即不存在另一条路径在所有指标上都优于它。这是一个多目标优化问题算法会更复杂如使用标号法Multi-label Dijkstra。6.2 动态图与实时更新在交通导航中路况边权是实时变化的。我们不可能每次变化都重新计算全图。增量更新算法有专门的动态最短路径算法如D*算法及其变种适用于起点固定、终点变化或边权动态更新的场景。其核心思想是重用之前计算的大部分结果只更新受影响的部分。建模策略在数学建模中如果变化不频繁可以定期如每5分钟重新计算一次。如果变化频繁但可预测可以将时间作为一维状态构建“时间-空间”图将动态问题转化为静态的、规模更大的图上的最短路径问题。6.3 k短路径问题有时我们不仅需要最短路径还需要第二短、第三短的路径作为备选方案。这就是k短路径问题。经典的算法是Yens Algorithm。基本思想首先用迪杰斯特拉找到最短路径 P1。为了找第k短路径对于已找到的前k-1条路径依次将其上的每个节点作为“偏离点”计算从该点到终点的最短路径且要求新路径在偏离点之后的部分不与原路径相同。从所有这些候选路径中选出最短的一条即为第k短路径。建模应用在物流备份、网络冗余设计、旅游路线规划提供几条不同的有趣路线中很有用。6.4 转化为最短路径模型很多看似不是“路径”的问题可以通过巧妙的构图转化为最短路径问题。状态转移问题如经典的“狼、羊、菜过河”问题。将每一种安全的状态河两岸的物体分布视为一个顶点一次可行的渡河操作视为一条边权值为1一次操作。问题就转化为从初始状态顶点到目标状态顶点的最短路径问题。决策序列问题项目分期投资、设备逐年更新等。可以构建一个分层图每一层代表一个时间点或决策阶段顶点代表不同的状态如剩余资金、设备新旧程度边代表决策带来的状态转移及其成本权值。求最小总成本就是求最短路径。7. 常见问题排查与性能优化实录在实际编码和调试中你会遇到各种各样的问题。下面这个表格整理了我踩过的一些坑和解决方案。问题现象可能原因排查与解决思路迪杰斯特拉算法结果错误在含负权图中算法前提被破坏。迪杰斯特拉不能处理负权边。检查输入数据确认所有边权是否非负。如果问题允许负权必须换用贝尔曼-福特算法。贝尔曼-福特算法运行极慢图规模大V和E都大且没有提前终止优化。1. 实现中是否加入了updated标志位进行提前终止2. 如果图是稀疏的且无边权考虑能否用BFS。3. 如果必须用尝试队列优化版的贝尔曼-福特SPFA算法虽然最坏复杂度仍是O(VE)但平均情况快很多。弗洛伊德算法超时或内存超限顶点数V过大。O(V³)和O(V²)的复杂度对V非常敏感。1. V是否真的需要全部计算问题是否只关心部分顶点对2. 能否将图缩点如将强连通分量看作一个点或分层以减少V3. 对于全源问题考虑运行V次堆优化迪杰斯特拉复杂度O(V*(VE)logV)在稀疏图上优于弗洛伊德。堆优化迪杰斯特拉结果正确但超时1. 图存储方式低效用了邻接矩阵。2. 没有使用“惰性删除”导致优先队列膨胀。1.务必使用邻接表存储稀疏图。2. 确认代码中包含了if current_dist dist[u]: continue这一判断。3. 检查优先队列的实现Python的heapq是高效的。路径重构不出来或错误prev前驱数组记录或使用错误。1. 在算法更新dist[v]时必须同步更新prev[v] u。2. 重构路径时从终点根据prev反向回溯到起点最后要反转列表。检查回溯终止条件通常是起点或None。3. 打印出prev数组检查其正确性。算法结果与手工计算不符1. 图数据输入错误如边权、方向。2. 顶点编号从0开始还是1开始弄混。3. 无穷大值参与运算如inf w。1.用小规模用例3-5个顶点手动模拟对比算法每一步的输出。2. 使用打印语句或调试器输出每一轮循环后的dist数组。3. 检查所有涉及inf的运算确保有保护条件如if dist[u] ! inf:。遇到“最短路径不唯一”存在多条权值和相同的路径。这是正常现象。标准最短路径算法通常只找到其中一条取决于代码实现细节如邻接表遍历顺序。如果题目要求输出所有最短路径则需要修改算法在松弛时当new_dist dist[v]时将新的前驱节点加入一个列表而不是覆盖。最后用回溯法找出所有路径。性能优化心法数据规模是王道拿到问题先估算 V 和 E 的数量级。V 1000 时O(V³) 的弗洛伊德基本不可用。E 接近 V² 是稠密图E 远小于 V² 是稀疏图这决定了迪杰斯特拉的实现方式。输入输出优化在Python中对于大规模数据V, E 10^5使用sys.stdin.read()一次性读取再解析远比input()快。这是竞赛中常见的卡常点。空间换时间如果频繁查询任意两点间距离且图不大预先用弗洛伊德计算出全部结果存起来是O(1)查询。如果图大但查询模式固定如总是从某几个源点查询可以预先为这几个源点运行迪杰斯特拉存储结果。理解问题本质很多问题看似是最短路径但可能有特殊性质可以利用。比如在网格图中边权只有少数几种可以使用0-1 BFS或双端队列BFS如果边权很小可以使用桶优化的迪杰斯特拉Dials algorithm这些都能获得比通用算法更优的效率。最后我想分享一点个人体会最短路径问题之所以经典不仅在于其算法优美更在于它那种“化繁为简”的建模思想。面对一个复杂的现实网络用顶点和边将其抽象然后用一个清晰的算法策略去破解这种能力是数学建模的核心。不要死记硬背代码而是要多问“为什么这个算法在这里有效如果条件变了该怎么办”。在比赛中当你成功地将一个复杂的调度问题转化为一个带时间窗的最短路径问题并高效求解时那种成就感是无与伦比的。多练习多思考把这些算法变成你工具箱里得心应手的工具。