#.Dijstra算法：
求单源最短路径，不允许出现负边。n-1次外循环。
流程：
1.将所有节点分为：原点集合S、剩余节点集合D，将源节点装入S，用dist记录各个节点的距离。
2.每轮循环都从D中找出当前距离最小的点a，移入S，同时更新D中与a相邻的节点的最小距离:
dist[p] = Math.min(dist[p], dist[a] + E(a,p) );
n-1轮循环后，得到的dist记录着所有节点的最小距离。
复杂度与实现代码相关，一般情况下O(V^2)；若使用最小堆来存放剩余节点的距离，则复杂度为O( (V+E)*logV ),其中V为顶点数，E为边数。
原理解释：
整个过程可以在脑海中想象一下，从源节点出发，生长出来一棵树，所有还未蔓延到的节点，距离在记录中暂时都是无穷大的；
其实每次都是在树的叶子节点中找距离最小的结点a，然后从D中移出，放入S，再把D中与a相邻的节点更新最小距离，纳入树中。
为何每次树的叶子节点中距离最小的节点a, 其此刻记录的距离就是a最终的最小距离？
因为图中没有负边，if dist[b] >= dist[a], 那么途径b到达a的任何路径都会 dist[经过b] >= dist[a];
又dist[a]是此刻所有叶子节点中最小的,而D中剩余的非叶子节点都需要途径叶子节点才能到达源节点，
那么dist[a] <= dist[其它叶子节点] <= dist[D中其它非叶子节点]
因此，dijstra算法每次都会选出一个节点来，而且这些节点的选择顺序也是按照最终距离从小到大排布的。
但当图中可能存在负边时，就无法再保证dist[a] <= dist[D中其它非叶子节点]，因为更远的地方可能存在一条负值很大的边，
导致dist[D中其它某个非叶子节点c] < dist[a], 那么途径这个节点c到达a的某条路径，也许距离会小于此刻a记录中的距离。
因此Dijstra算法就不再成立。
#.Bellman-Ford算法：
求单源最短路径，允许出现负边。无负环情况下，用dist记录各个节点的距离，V-1次外循环得到结果。
若V-1次后继续外循环可得到任意节点更小的距离，说明图中存在负环。
流程：
每轮外循环，都使用各条边进行判断，寻找更短距离:
dist[p] = Math.min( dist[p], dist[a] + E(a,p) );
复杂度O(V*E)，其中V为顶点数，E为边数。
原理解释：
当图中没有负环时，任何环都是非负的，那么对于从源节点s到节点d的任意路径：dist[不包含环] <= dist[包含环]，因此最终最小路径是不含环的，路径最多包含V个节点，也就是走了V-1次。从s到d有很多种走法，但按照一共走了多少步，最多可分为V-1种：走一步、走两步、……、走V-1步。
整个过程可以在脑海中想象一下，从源节点s出发，生长出来一棵生成树，所有还未蔓延到的节点，距离在记录中暂时都是无穷大的。
第一步：用所有边迭代一遍，所有与s相连的边起到效果，将树生长起来，获得了走1步后树中各节点最小距离dp[1]；
第二步：用所有边迭代一遍，所有与树相连的边起到效果，树进一步成长，并获得了走2步时树中各节点的可能最小距离，与上面dp[1]相比较，可得到最多走2步时树上个节点的最小距离dp[2];
第二步：用所有边迭代一遍，所有与树相连的边起到效果，树进一步成长，并获得了走3步时树中各节点的可能最小距离，与上面dp[2]相比较，可得到最多走3步时树上个节点的最小距离dp[3];
依次类推…….
第n-1步：用所有边迭代一遍，所有与树相连的边起到效果，树进一步成长，并获得了走(V-1)步时树中各节点的可能最小距离，与上面dp[V-2]相比较，可得到最多走(V-1)步时树上个节点的最小距离dp[V-1]。
这时如果图上所有节点是联通的，那么已经获得最终结果。如果还有节点距离为无穷大，则该节点与源节点不联通。
若V-1次后继续循环可得到任意节点更小的距离，说明图中存在负环。
#.Floyd-Warshall算法：
求全源最短路径，允许出现负边，无负环情况下，n次外循环得到结果。若n次后继续外循环可得到任意节点更小的距离，说明图中存在负环。
流程：
伪代码：
外循环，允许途经顶点k: 1~V
源点i：1~V
目标点j：1~V
判断途经k后，从源点到目标点是否有更小距离: dist[i][j] = Math.min( dist[i][j], dist[i][k] + dist[k][j] );
每轮外循环，都使用各条边进行判断，寻找更短距离。复杂度O(V^3)。
原理解释：
当图中没有负环时，任何环都是非负的，那么对于从任意节点a到节点b的任意路径：dist[不包含环] <= dist[包含环]，因此最终最小路径是不含环的，路径最多包含V个节点。从a到b有很多种走法，但按照一共允许途径多少个节点，可分为V种：允许途径1个节点、允许途径节点1~节点2、.......、允许经过节点1~节点V。
例如一张图中包含a、b、c、d、e五个顶点，dis[][]记录全源最小路径：
0：初始时，不允许经过任何节点，当前获得的是不经过任何节点时的最小距离dist[][];
1: 尝试途径节点a获取新的距离来优化，与上面的dist[][]相比较保留较小值，得到的是允许经过节点[a]时的最小距离dist[][]。（至于不是最小距离的所有其它路径，都没有记录下来的必要。因为当当我们尝试途径节点k来优化i到j的距离时，只有尝试最小的dist[i][k]、dist[k][j]才有可能最小，否则dist[i][k] + dist[k][j]一定不是最小的。）
2: 尝试途径节点b获取新的距离来优化，因为所有与b相连的路径在前面所有的步骤优化后，实际上已经是允许经过[a]的最优路径[a]b，与上面的dist[][]相比较保留较小值，得到的是允许经过节点[ab]时的最小距离dist[][]。
3: 尝试途径节点b获取新的距离来优化，因为所有与c相连的路径在前面所有的步骤优化后，实际上已经是允许经过[ab]的最优路径[ab]c，与上面的dist[][]相比较保留较小值，得到的是允许经过节点[abc]时的最小距离dist[][]。
依次类推….最终把所有节点都拿来尝试优化后，得到允许经过节点[abcde]时的最小距离。
结论，n轮外循环，已经尝试了所有需要尝试的情况，最终的结果恰好是允许途径所有节点情况下的全源最小路径。