python - 改进广度优先搜索，从而在图形中找到最高的分离度

输入图：我有一个字典，代表一个有向图，其中键是一个节点，值是它指向的节点。

输入英雄：所有节点的集合

此方法用于查找所有节点组合之间的最大分离度。

def largestDegreeOfSeparation(graph, heroes):
    q = deque()
    currentHighestDoS = 0
    DoS = 0
    for hero in heroes:
        path = (hero,)
        q.append(path)
        visited = set([hero])
        while q:
            path = q.popleft()
            last_node = path[-1]
            for node in graph[last_node]:
                if node not in visited:
                    visited.add(node)
                    q.append(path + (node,))
        DoS = len(path) - 1
        if DoS > currentHighestDoS:
            currentHighestDoS = DoS
            currentHero = path[0]
            currentHerosDestination = last_node
            print str(currentHero) + '\t' + str(path) + '\t' + str(currentHighestDoS)

该程序发现分离度为4，然后为5，然后它继续运行，我认为是因为它花费的时间太长。有没有办法使此方法运行更快？

最佳答案

您可以使用每个英雄的位置创建一个numpy（np）数组，其存储顺序与另一个包含英雄对象的数组的顺序相同。假设您有英雄坐标：

 pos_heros   = np.array( [hero.coordinates for hero in heros], dtype='float64' )
 array_heros = np.array( [hero for hero in heros], dtype = object )

然后计算距离矩阵：

 dist  = np.subtract.outer( pos_heros[:,0], pos_heros[:,0] )**2
 dist += np.subtract.outer( pos_heros[:,1], pos_heros[:,1] )**2
 dist += np.subtract.outer( pos_heros[:,2], pos_heros[:,2] )**2

现在，通过获取对距离矩阵进行排序的索引，您将找到每个最接近的英雄：

 a = np.argsort( dist, axis=1 )

您可以使用np.take有效地获取已排序的pos_heros矩阵：

 matrix_heros = np.take( array_heros, a )

matrix_heros中的每一行将代表一个英雄，第一列将是第一个最接近的英雄，第二列将是第二个，依此类推...

例如，要使第10列中的第一个和第二个英雄最接近英雄：

 matrix_heros[9,0]  # 9--> hero    0-->  first closest hero
 matrix_heros[9,1]  # 9--> hero    1--> second closest hero

找到想要的东西，这是最遥远的英雄：

 ans = matrix_heros[:,-1]

ans将按照您创建array_heros的顺序包含最远的英雄。