Dijkstra算法是由荷兰计算机科学家狄克斯特拉（Dijkstra）于1959 年提出的，因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题。
其基本原理是：每次新扩展一个距离最短的点，更新与其相邻的点的距离。当所有边权都为正时，由于不会存在一个距离更短的没扩展过的点，所以这个点的距离永远不会再被改变，因而保证了算法的正确性。不过根据这个原理，用Dijkstra求最短路的图不能有负权边，因为扩展到负权边的时候会产生更短的距离，有可能就破坏了已经更新的点距离不会改变的性质。
举例来说，如果图中的顶点表示城市，而边上的权重表示著城市间开车行经的距离。 Dijkstra算法可以用来找到两个城市之间的最短路径。
图是由节点和连接节点的边构成的。节点之间可以由路径，即边的序列。根据路径，可以从一点到达另一点。在一个复杂的图中，图中两点可以存在许多路径。最短路径讨论了一个非常简单的图论问题，图中从A点到B点 ，那条路径耗费最短？ 这个问题又异常复杂，因为网络的构成状况可能很复杂。一个最简单的思路，是找出所有可能的从A到B的路径，再通过比较，来寻找最短路径。然而，这并没有将问题简化多少。因为搜索从A到B的路径，这本身就是很复杂的事情。而我们在搜索所有路径的过程中，有许多路径已经绕了很远，完全没有搜索的必要。比如从上海到纽约的路线，完全没有必要先从上海飞到南极，再从南极飞到纽约，尽管这一路径也是一条可行的路径。
所以，我们需要这样一个算法：它可以搜索路径，并当已知路径包括最短路径时，即停止搜索。我们先以无权网络为例，看一个可行的最短路径算法。
无权网络
无权网络(unweighted network)是相对于加权网络的，这里的“权”是权重。每条边的耗费相同，都为1。路径的总耗费即为路径上边的总数。
我们用“甩鞭子”的方式，来寻找最短路径。鞭子的长度代表路径的距离。
手拿一个特定长度的鞭子，站在A点。甩出鞭子，能打到一些点。比如C和D。
将鞭子的长度增加1。再甩出鞭子。此时，从C或D出发，寻找距离为1的邻接点，即E和F。这些点到A点的距离，为此时鞭子的长度。
记录点E和F，并记录它们的上游节点。比如E(C)， F(D)。我们同样可以记录此时该点到A的距离，比如5。
如果要记录节点E时，发现它已经出现在之前的记录中，这说明曾经有更短的距离到E。此时，不将E放入记录中。毕竟，我们感兴趣的是最短路径。如下图中的E：
黄色的E不被记录
最初的鞭子长度为0，站在A点，只能打到A点自身。当我们不断增加鞭子长度，第一次可以打到B时，那么此时鞭子的长度，就是从A到B的最短距离。循着我们的记录，倒推上游的节点，就可以找出整个最短路径。我们的记录本是个很有意思的东西。某个点放入记录时，此时的距离，都是A点到该点的最短路径。根据记录，我们可以反推出记录中任何一点的最短路径。这就好像真诚对待每个人。这能保证，当你遇到真爱时，你已经是在真诚相待了。实际上，记录将所有节点分割成两个世界：记录内的，已知最短距离的；记录外的，未知的。
加权网络
在加权网络中(weighted network)，每条边有各自的权重。当我们选择某个路径时，总耗费为路径上所有边的权重之和。
加权网络在生活中很常见，比如从北京到上海，可以坐火车，也可以坐飞机。但两种选择耗费的时间并不同。再比如，我们打出租车和坐公交车，都可以到市区，但车资也有所不同。在计算机网络中，由于硬件性能不同，连接的传输速度也有所差异。加权网络正适用于以上场景。无权网络是加权网络的一个特例。
这个问题看起来和无权网络颇为类似。但如果套用上面的方法，我们会发现，记录中的节点并不一定是最短距离。我们看下面的例子：
很明显，最短路径是A->C->D->B，因为它的总耗费只有4。按照上面的方法，我们先将A放入记录。从A出发，有B和C两个如果将B和C同时放入记录，那么记录中的B并不符合最短距离的要求。
那么，为什么无权网络可行呢？假设某次记录时，鞭子长度为5，那么这次记录点的邻接点，必然是距离为6的点。如果这些邻接点没有出现过，那么6就是它们的最短距离。所有第一次出现的邻接点，都将加入到下次的记录中。比如下面的例子，C/D/E是到达A的邻接点，它们到A的最短距离必然都是1。
对于加权网络来说，即使知道了邻接点，也无法判断它们是否符合最短距离。在记录C/D/E时，我们无法判断未来是否存在如下图虚线的连接，导致A的邻接点E并不是下一步的最短距离点：
但情况并没有我们想的那么糟糕。仔细观察，我们发现，虽然无法一次判定所有的邻接点为下一步的最短距离点，但我们可以确定点C已经处在从A出发的最短距离状态。A到C的其它可能性，比如途径D和E，必然导致更大的成本。
也就是说，邻接点中，有一个达到了最短距离点，即邻接点中，到达A距离最短的点，比如上面的C。我们可以安全的把C改为已知点。A和C都是已知点，点P成为新的邻接点。P到A得距离为4。
出于上面的观察，我们可以将节点分为三种：
· 已知点：已知到达A最短距离的点。“我是成功人士。”
· 邻接点：有从记录点出发的边，直接相邻的点。“和成功人士接触，也有成功的机会哦。”
· 未知点：“还早得很。”
最初的已知点只有A。已知点的直接下游节点为邻接点。对于邻接点，我们需要独立的记录它们。我们要记录的有：
· 当前情况下，从A点出发到达该邻接点的最短距离。比如对于上面的点D，为6。
· 此最短距离下的上游节点。对于上面的点D来说，为A。
每次，我们将邻接点中最短距离最小的点X转为已知点，并将该点的直接下游节点，改为邻接点。我们需要计算从A出发，经由X，到达这些新增邻接点的距离：新距离 = X最短距离 + QX边的权重。此时有两种情况，
· 如果下游节点Q还不是邻接点，那么直接加入，Q最短距离 = 新距离，Q上游节点为X。
· 如果下游节点Q已经是邻接点，记录在册的上游节点为Y，最短距离为y。如果新距离小于y，那么最小距离改为新距离，上游节点也改为X。否则保持原记录不变。
我们还用上面的图，探索A到E的路径：
第一步
|
状态 |
已知距离 |
上游 |
A |
已知 |
0 |
A |
C |
邻接 |
1 |
A |
D |
邻接 |
6 |
A |
E |
邻接 |
9 |
A |
P |
未知 |
无穷 |
|
第二步
|
状态 |
已知距离 |
上游 |
A |
已知 |
0 |
A |
C |
已知 |
1 |
A |
D |
邻接 |
6 |
A |
E |
邻接 |
9 |
A |
P |
邻接 |
4 |
C |
第二步
|
状态 |
已知距离 |
上游 |
A |
已知 |
0 |
A |
C |
已知 |
1 |
A |
D |
邻接 |
6 |
A |
E |
邻接 |
7 |
P |
P |
已知 |
4 |
C |
第三步
|
状态 |
已知距离 |
上游 |
A |
已知 |
0 |
A |
C |
已知 |
1 |
A |
D |
已知 |
6 |
A |
E |
邻接 |
7 |
P |
P |
已知 |
4 |
C |
最后，E成为已知。倒退，可以知道路径为E, P, C, A。正过来，就是从A到E的最短路径了。
上面的算法是经典的Dijkstra算法。本质上，每个邻接点记录的，是基于已知点的情况下，最好的选择，也就是所谓的“贪婪算法”(greedy algorithm)。当我们贪婪时，我们的决定是临时的，并没有做出最终的决定。转换某个点成为已知点后，我们增加了新的可能性，贪婪再次起作用。根据对比。随后，某个邻接点成为新的“贪无可贪”的点，即经由其它任意邻接点，到达该点都只会造成更高的成本； 经由未知点到达该点更不可能，因为未知点还没有开放，必然需要经过现有的邻接点到达，只会更加绕远。好吧，该点再也没有贪婪的动力，就被扔到“成功人士”里，成为已知点。成功学不断传染，最后感染到目标节点B，我们就找到了B的最短路径。
总结： 这个算法只能计算单元最短路，而且不能计算负权值，这个算法是贪心的思想， dis数组用来储存起始点到其他点的最短路，但开始时却是存的起始点到其他点的初始路程。通过n-1遍的遍历找最短。每次在剩余节点中找dist数组中的值最小的，加入到s数组中，并且把剩余节点的dist数组更新。
程序待续。。。。。。