← Back

Johnson’s Algorithm 约翰逊算法

核心结论

Johnson 算法用于求解所有顶点对最短路径（All-Pairs Shortest Paths, APSP），尤其适合稀疏图。

它先用一次 Bellman–Ford 计算势函数 $h$，把所有边重赋权为非负权边；然后从每个顶点运行一次 Dijkstra；最后将新图中的距离还原为原图距离。

Johnson 算法允许原图包含负权边，但原图不能包含负权环。

1. 问题定义

给定一个带权有向图

$$G=(V,E), \qquad |V|=n,$$

边权函数为

$$w:E\rightarrow\mathbb{R}.$$

目标是计算所有顶点对之间的最短路径距离：

$$D[u][v]=\delta(u,v), \qquad u,v\in V.$$

其中：

• $\delta(u,v)$ 表示从顶点 $u$ 到顶点 $v$ 的最短路径长度；
• 若 $u$ 无法到达 $v$，则 $\delta(u,v)=\infty$；
• 若存在可达的负权环，则某些最短路径没有有限最小值。

Johnson 算法解决什么问题

Johnson 算法不是单源最短路径算法，而是通过组合一次 Bellman–Ford 和 $|V|$ 次 Dijkstra，得到全部 $|V|^2$ 个顶点对的最短距离。

2. 基本思想

Dijkstra 要求所有边权非负，而 Bellman–Ford 虽然允许负权边，但从每个顶点都运行一次的代价较高。

Johnson 算法的核心思路是：

1. 使用 Bellman–Ford 计算一个势函数 $h:V\rightarrow\mathbb{R}$；
2. 使用 $h$ 对边进行重赋权（reweighting），使所有新边权均非负；
3. 在重赋权图上从每个顶点运行 Dijkstra；
4. 将得到的距离转换回原图中的距离。

flowchart LR
    A[原图：允许负权边] --> B[加入超级源点 s]
    B --> C[运行 Bellman-Ford]
    C -->|发现负权环| X[算法失败并报告负权环]
    C -->|无负权环| D[得到势函数 h]
    D --> E[重赋权：所有新边权非负]
    E --> F[从每个顶点运行 Dijkstra]
    F --> G[还原原图距离矩阵]

3. 重赋权

3.1 重赋权公式

对于原图中的每条边 $(u,v)\in E$，定义新边权：

$$w_h(u,v)=w(u,v)+h(u)-h(v).$$

这里的 $h(v)$ 称为顶点 $v$ 的势能或势函数值（potential）。

3.2 为什么重赋权不会改变最短路径

设一条从 $u=v_0$ 到 $v=v_k$ 的路径为

$$p=\langle v_0,v_1,\ldots,v_k\rangle.$$

重赋权后的路径长度为

$$\begin{aligned} w_h(p) &=\sum_{i=0}^{k-1}w_h(v_i,v_{i+1})\\ &=\sum_{i=0}^{k-1}\left[w(v_i,v_{i+1})+h(v_i)-h(v_{i+1})\right]\\ &=w(p)+h(v_0)-h(v_k)\\ &=w(p)+h(u)-h(v). \end{aligned}$$

中间顶点的势函数值会两两抵消，只剩起点和终点的势函数值。

因此，对于相同起点 $u$ 和终点 $v$ 的任意两条路径 $p_1,p_2$：

$$w_h(p_1)-w_h(p_2)=w(p_1)-w(p_2).$$

所以：

• 路径之间的长短关系保持不变；
• 原图中的最短路径仍然是重赋权图中的最短路径；
• 只有路径长度整体发生了平移。

距离转换公式为

$$\delta_h(u,v)=\delta(u,v)+h(u)-h(v),$$

因此

$$\boxed{ \delta(u,v)=\delta_h(u,v)-h(u)+h(v) }$$

保持的是最短路径结构

重赋权通常会改变路径的数值长度，但不会改变同一对起点和终点之间各条路径的相对大小，因此不会改变哪一条路径最短。

4. 如何得到势函数 $h$

4.1 添加超级源点

向原图添加一个新的超级源点 $s$，构造扩展图

$$G'=(V\cup\{s\},E').$$

对于每个顶点 $v\in V$，添加一条权重为 $0$ 的边：

$$(s,v),\qquad w(s,v)=0.$$

即

$$E'=E\cup\{(s,v):v\in V\}.$$

4.2 运行 Bellman–Ford

从超级源点 $s$ 运行 Bellman–Ford，令

$$h(v)=\delta_{G'}(s,v).$$

由于超级源点直接连接所有原图顶点，所以每个顶点都从 $s$ 可达。

若 Bellman–Ford 检测到负权环，则原图也存在负权环，Johnson 算法终止。

4.3 为什么新边权一定非负

由最短路径的三角不等式，对于任意边 $(u,v)\in E$：

$$h(v)\le h(u)+w(u,v).$$

移项得

$$w(u,v)+h(u)-h(v)\ge 0.$$

而左侧正是新边权：

$$\boxed{w_h(u,v)\ge 0}$$

因此可以在重赋权图上安全地运行 Dijkstra。

与差分约束的关系

条件 $w_h(u,v)\ge 0$ 等价于

$$h(v)-h(u)\le w(u,v).$$

这是一组标准的差分约束条件。Bellman–Ford 求出的最短路径距离给出该差分约束系统的一组可行解。

5. 具体过程

给定顶点集合 $V=\{0,1,\ldots,n-1\}$ 和边集合 $E$：

1. 添加超级源点 $s=n$。
2. 对每个原图顶点 $v$，添加零权边 $(s,v,0)$。
3. 从 $s$ 运行 Bellman–Ford。
4. 若检测到负权环，则报告不存在有限的全源最短路径解并终止。
5. 令 $h(v)=\delta(s,v)$。
6. 对每条原边 $(u,v)$ 计算 $$w_h(u,v)=w(u,v)+h(u)-h(v).$$
7. 对每个源点 $u\in V$，在重赋权图上运行一次 Dijkstra，得到 $\delta_h(u,v)$。
8. 对每个顶点对 $(u,v)$，还原原图距离： $$\delta(u,v)=\delta_h(u,v)-h(u)+h(v).$$
9. 输出所有顶点对的距离矩阵。

6. 伪代码

以下伪代码统一使用 0-based 下标。

JOHNSON(n, E):
    # 原图顶点为 0, 1, ..., n - 1
    # 新增超级源点 s = n
    s <- n
    extended_edges <- copy of E

    for v <- 0 to n - 1:
        append (s, v, 0) to extended_edges

    h <- BELLMAN-FORD(n + 1, extended_edges, s)

    if h indicates a negative-weight cycle:
        return NEGATIVE_CYCLE

    reweighted_graph <- empty adjacency list with n vertices

    for each edge (u, v, w) in E:
        new_weight <- w + h[u] - h[v]
        append (v, new_weight) to reweighted_graph[u]

    D <- n × n matrix filled with infinity

    for source <- 0 to n - 1:
        dist_prime <- DIJKSTRA(reweighted_graph, source)

        for v <- 0 to n - 1:
            if dist_prime[v] != infinity:
                D[source][v] <- dist_prime[v] - h[source] + h[v]

    return D

6.1 Bellman–Ford 子过程

BELLMAN-FORD(vertex_count, edges, source):
    dist <- array of length vertex_count filled with infinity
    dist[source] <- 0

    for round <- 1 to vertex_count - 1:
        changed <- false

        for each edge (u, v, w) in edges:
            if dist[u] != infinity and dist[u] + w < dist[v]:
                dist[v] <- dist[u] + w
                changed <- true

        if changed = false:
            break

    for each edge (u, v, w) in edges:
        if dist[u] != infinity and dist[u] + w < dist[v]:
            return NEGATIVE_CYCLE

    return dist

6.2 Dijkstra 子过程

DIJKSTRA(graph, source):
    dist <- array of length |V| filled with infinity
    dist[source] <- 0

    priority_queue <- empty min-priority queue
    INSERT(priority_queue, (0, source))

    while priority_queue is not empty:
        current_dist, u <- EXTRACT-MIN(priority_queue)

        if current_dist != dist[u]:
            continue

        for each edge (u, v, w) in graph[u]:
            new_dist <- dist[u] + w

            if new_dist < dist[v]:
                dist[v] <- new_dist
                INSERT(priority_queue, (new_dist, v))

    return dist

7. Python 实现

from __future__ import annotations

import heapq
from math import inf
from typing import Iterable

Edge = tuple[int, int, int | float]


def bellman_ford(
    vertex_count: int,
    edges: list[Edge],
    source: int,
) -> list[float] | None:
    """返回单源最短距离；若存在源点可达的负权环，则返回 None。"""
    dist = [inf] * vertex_count
    dist[source] = 0

    for _ in range(vertex_count - 1):
        changed = False

        for u, v, weight in edges:
            if dist[u] == inf:
                continue

            new_dist = dist[u] + weight
            if new_dist < dist[v]:
                dist[v] = new_dist
                changed = True

        if not changed:
            break

    for u, v, weight in edges:
        if dist[u] != inf and dist[u] + weight < dist[v]:
            return None

    return dist


def dijkstra(
    graph: list[list[tuple[int, float]]],
    source: int,
) -> list[float]:
    """在非负权图上计算 source 到所有顶点的最短距离。"""
    dist = [inf] * len(graph)
    dist[source] = 0

    priority_queue: list[tuple[float, int]] = [(0, source)]

    while priority_queue:
        current_dist, u = heapq.heappop(priority_queue)

        # 跳过已经过期的堆元素。
        if current_dist != dist[u]:
            continue

        for v, weight in graph[u]:
            new_dist = current_dist + weight

            if new_dist < dist[v]:
                dist[v] = new_dist
                heapq.heappush(priority_queue, (new_dist, v))

    return dist


def johnson(
    n: int,
    edges: Iterable[Edge],
) -> list[list[float]]:
    """计算有向图的所有顶点对最短距离。

    顶点必须使用 0-based 编号：0, 1, ..., n - 1。

    Raises:
        ValueError: 输入非法或图中存在负权环。
    """
    if n < 0:
        raise ValueError("n 必须是非负整数")

    edge_list = list(edges)

    for u, v, _ in edge_list:
        if not (0 <= u < n and 0 <= v < n):
            raise ValueError(f"非法顶点编号: ({u}, {v})")

    # 超级源点使用编号 n。
    super_source = n
    extended_edges = edge_list + [
        (super_source, v, 0) for v in range(n)
    ]

    h_with_source = bellman_ford(
        vertex_count=n + 1,
        edges=extended_edges,
        source=super_source,
    )

    if h_with_source is None:
        raise ValueError("图中存在负权环，最短路径未定义")

    h = h_with_source[:n]

    # 构造重赋权后的邻接表。
    graph: list[list[tuple[int, float]]] = [[] for _ in range(n)]

    for u, v, weight in edge_list:
        new_weight = weight + h[u] - h[v]

        # 理论上 new_weight 必须非负。
        if new_weight < 0:
            raise RuntimeError("重赋权后出现负边，检查实现或数值精度")

        graph[u].append((v, new_weight))

    result = [[inf] * n for _ in range(n)]

    for source in range(n):
        dist_prime = dijkstra(graph, source)

        for v in range(n):
            if dist_prime[v] != inf:
                result[source][v] = (
                    dist_prime[v] - h[source] + h[v]
                )

    return result

浮点数边权

若边权为浮点数，舍入误差可能使理论上的 $0$ 变成很小的负数，例如 -1e-15。工程实现中可以设置容差 eps，将满足 -eps <= new_weight < 0 的值截断为 0，但不能掩盖明显的负值。

8. 时空间复杂度

设

$$|V|=V,\qquad |E|=E.$$

8.1 时间复杂度

Bellman–Ford

扩展图有 $V+1$ 个顶点和 $E+V$ 条边，因此：

$$O(VE).$$

重赋权

每条边处理一次：

$$O(E).$$

从每个顶点运行 Dijkstra

使用斐波那契堆时，一次 Dijkstra 的复杂度为

$$O(E+V\log V).$$

运行 $V$ 次：

$$O(VE+V^2\log V).$$

距离还原

需要处理 $V^2$ 个顶点对：

$$O(V^2).$$

因此总时间复杂度为

$$\boxed{O(VE+V^2\log V)}$$

使用 Python

heapq 时 Python 的 heapq 是二叉堆，且上述实现通过插入新记录而不是原地 DECREASE-KEY。一次 Dijkstra 通常写作

$$O((V+E)\log V),$$

因此运行 $V$ 次后通常记为

$$O(V(V+E)\log V).$$

对连通稀疏图常简写为 $O(VE\log V)$。

8.2 空间复杂度

• 邻接表：$O(V+E)$；
• 势函数、单次 Dijkstra 距离数组和优先队列：$O(V+E)$；
• 所有顶点对距离矩阵：$O(V^2)$。

包括输出矩阵时：

$$\boxed{O(V^2+V+E)}$$

通常简写为

$$\boxed{O(V^2+E)}.$$

若不一次性保存全部距离矩阵，而是逐行输出每个源点的结果，则算法的额外工作空间可以降到

$$O(V+E).$$

9. 需要问题具有的性质

Johnson 算法适用于满足以下条件的问题。

9.1 求解目标是所有顶点对最短路径

需要计算

$$\delta(u,v),\qquad \forall u,v\in V.$$

若只需要一个源点的最短路径，直接使用 Bellman–Ford、Dijkstra 或 DAG 最短路径算法通常更合适。

9.2 允许负权边

原图可以包含负权边，因为 Bellman–Ford 能处理负权边，重赋权后再交给 Dijkstra。

9.3 不允许负权环

若图中存在负权环，则可以重复绕行该环，使路径长度无限减小，因此相关顶点对不存在有限最短距离。

Johnson 算法会在 Bellman–Ford 阶段检测负权环并终止。

无向图中的负权边

在通常的无向图建模中，一条无向边会被表示为两条方向相反、权重相同的有向边。若该权重为负，则两条边立即形成一个负权环。因此，普通无向图中只要存在负权边，最短路径通常就不再有有限定义。

9.4 最短路径具有最优子结构

若一条路径是从 $u$ 到 $v$ 的最短路径，那么该路径的任意子路径也必须是对应端点之间的最短路径。

这是 Bellman–Ford、Dijkstra 和 Johnson 算法正确性的共同基础。

9.5 图最好较稀疏

Johnson 算法最适合

$$E\ll V^2$$

的稀疏图。

对于稠密图 $E=\Theta(V^2)$，Johnson 算法的优势减弱，结构简单、缓存友好的 Floyd–Warshall 往往更合适。

10. 典型例子

考虑有向图，顶点集合为

$$V=\{0,1,2,3\},$$

边集合如下：

起点	终点	原权重
0	1	1
0	2	4
1	2	-2
1	3	5
2	3	2
3	1	1

图中包含负权边 $1\rightarrow2$，但不存在负权环。

flowchart LR
    V0((0)) -->|1| V1((1))
    V0 -->|4| V2((2))
    V1 -->|-2| V2
    V1 -->|5| V3((3))
    V2 -->|2| V3
    V3 -->|1| V1

10.1 添加超级源点

添加超级源点 $s=4$，并添加：

$$(4,0,0),(4,1,0),(4,2,0),(4,3,0).$$

10.2 运行 Bellman–Ford

从超级源点 $4$ 出发，得到势函数：

顶点 $v$	$h(v)=\delta(4,v)$
0	0
1	0
2	-2
3	0

其中 $h(2)=-2$，因为存在路径

$$4\rightarrow1\rightarrow2$$

其长度为

$$0+(-2)=-2.$$

10.3 对边进行重赋权

使用

$$w_h(u,v)=w(u,v)+h(u)-h(v).$$

得到：

边	计算	新权重
$0\rightarrow1$	$1+0-0$	1
$0\rightarrow2$	$4+0-(-2)$	6
$1\rightarrow2$	$-2+0-(-2)$	0
$1\rightarrow3$	$5+0-0$	5
$2\rightarrow3$	$2+(-2)-0$	0
$3\rightarrow1$	$1+0-0$	1

所有新边权均非负，因此可以运行 Dijkstra。

10.4 从顶点 0 运行 Dijkstra

在重赋权图中，从顶点 $0$ 出发：

• $\delta_h(0,0)=0$；
• $\delta_h(0,1)=1$；
• $\delta_h(0,2)=1$，路径为 $0\rightarrow1\rightarrow2$；
• $\delta_h(0,3)=1$，路径为 $0\rightarrow1\rightarrow2\rightarrow3$。

得到

$$\delta_h(0,\cdot)=[0,1,1,1].$$

还原原图距离：

$$\delta(0,v)=\delta_h(0,v)-h(0)+h(v).$$

例如：

$$\delta(0,2)=1-0+(-2)=-1,$$

对应原图路径

$$0\rightarrow1\rightarrow2,$$

长度为

$$1+(-2)=-1.$$

10.5 最终距离矩阵

对所有顶点分别运行 Dijkstra 并还原后，得到：

$$D= \begin{bmatrix} 0 & 1 & -1 & 1\\ \infty & 0 & -2 & 0\\ \infty & 3 & 0 & 2\\ \infty & 1 & -1 & 0 \end{bmatrix}.$$

其中第 $u$ 行第 $v$ 列表示从顶点 $u$ 到顶点 $v$ 的最短距离。

运行 Python 实现

edges = [
    (0, 1, 1),
    (0, 2, 4),
    (1, 2, -2),
    (1, 3, 5),
    (2, 3, 2),
    (3, 1, 1),
]

distances = johnson(4, edges)

for row in distances:
    print(row)

预期输出：

[0, 1, -1, 1]
[inf, 0, -2, 0]
[inf, 3, 0, 2]
[inf, 1, -1, 0]

11. 正确性要点

Johnson 算法的正确性由以下三点构成。

11.1 Bellman–Ford 正确计算势函数

若图中不存在负权环，Bellman–Ford 返回

$$h(v)=\delta(s,v).$$

11.2 重赋权后所有边非负

由

$$h(v)\le h(u)+w(u,v)$$

可得

$$w_h(u,v)=w(u,v)+h(u)-h(v)\ge0.$$

因此 Dijkstra 的非负边权前提成立。

11.3 重赋权保持最短路径

任意从 $u$ 到 $v$ 的路径都统一增加

$$h(u)-h(v),$$

所以最短路径的相对顺序不变。Dijkstra 在新图中求得的最短路径也是原图中的最短路径。

最后通过

$$\delta(u,v)=\delta_h(u,v)-h(u)+h(v)$$

恢复原图距离。

12. 与其他全源最短路径算法的比较

算法	允许负权边	检测负权环	典型时间复杂度	更适合的图
重复 Dijkstra	否	否	$O(VE+V^2\log V)$	非负权稀疏图
重复 Bellman–Ford	是	是	$O(V^2E)$	通常不优先使用
Floyd–Warshall	是	是	$\Theta(V^3)$	稠密图、小中规模图
Johnson	是	是	$O(VE+V^2\log V)$	含负权边的稀疏图

选择建议

• 单源、边权非负：Dijkstra；
• 单源、允许负权边：Bellman–Ford；
• 全源、图较稠密：Floyd–Warshall；
• 全源、图较稀疏且可能有负权边：Johnson。

13. 常见错误

13.1 直接在负权图上运行 Dijkstra

Dijkstra 的贪心性质依赖所有边权非负。必须先完成重赋权。

13.2 重赋权公式符号写反

正确公式是

$$w_h(u,v)=w(u,v)+h(u)-h(v).$$

不是

$$w(u,v)-h(u)+h(v).$$

13.3 忘记还原原始距离

Dijkstra 得到的是 $\delta_h(u,v)$，最终需要计算

$$\delta(u,v)=\delta_h(u,v)-h(u)+h(v).$$

13.4 没有添加超级源点

若直接从原图中的某个顶点运行 Bellman–Ford，无法保证所有顶点都可达，也就无法为所有顶点可靠地得到势函数。

13.5 忽略负权环

若 Bellman–Ford 检测到负权环，不能继续运行 Dijkstra。此时相关最短路径没有有限最优值。

13.6 将超级源点保留在最终图中

超级源点只用于计算势函数。运行 Dijkstra 和输出最终距离矩阵时，只考虑原图中的 $n$ 个顶点。

14. 一句话记忆

引用

Johnson 算法 = 一次 Bellman–Ford 消除负边影响 + 每个顶点一次 Dijkstra + 距离还原。

15. 相关笔记

• Shortest Path 最短路径
• Dijkstra’s Algorithm 迪杰斯特拉算法
• Bellman-Ford Algotithm 贝尔曼福特算法
• Floyd-Warshall Algorithm 弗洛伊德华沙算法

16. 参考资料

1. Donald B. Johnson. 1977. Efficient Algorithms for Shortest Paths in Sparse Networks. Journal of the ACM, 24(1): 1–13. DOI: 10.1145/321992.321993.
2. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein. 2009. Introduction to Algorithms, 3rd ed., Section 25.3: Johnson’s algorithm.
3. Erik D. Demaine and Charles E. Leiserson. 2005. Shortest Paths III, MIT Introduction to Algorithms, Lecture 19.