데이크스트라 및 최단 경로 알고리즘

데이크스트라 알고리즘은 가중 그래프에서 단일 출발점으로부터 다른 모든 정점까지의 최단 거리를 찾는 알고리즘이다. 이 알고리즘이 작동하기 위해 필요한 그래프의 표현 방식과 몇 가지 기본적인 가정이 존재한다.

알고리즘은 일반적으로 인접 리스트나 인접 행렬을 사용하여 그래프를 표현한다. 각 간선은 출발 정점, 도착 정점, 그리고 가중치라는 세 가지 정보를 포함한다. 가중치는 두 정점 사이의 거리, 비용, 시간 등으로 해석될 수 있는 수치 값이다. 알고리즘의 핵심 데이터 구조는 각 정점까지의 현재 발견된 최단 거리를 저장하는 '거리 배열'과, 아직 최단 경로가 확정되지 않은 정점들의 집합을 관리하는 자료구조(보통 우선순위 큐)이다.

데이크스트라 알고리즘은 두 가지 중요한 가정 위에 성립한다. 첫째, 그래프의 모든 간선 가중치는 음수가 아니어야 한다. 이는 알고리즘의 탐욕적 선택이 항상 최적해를 보장하기 위한 필수 조건이다. 음수 가중치가 존재하면 이미 처리된 정점의 거리를 다시 줄여야 할 수 있어 알고리즘이 올바르게 동작하지 않는다. 둘째, 그래프는 방향 그래프 또는 무방향 그래프일 수 있으나, 무방향 그래프의 경우 각 무방향 간선은 두 개의 방향 간선으로 취급된다.

데이크스트라 알고리즘은 그래프 이론에서 최단 경로 문제를 해결하는 대표적인 탐욕 알고리즘이다. 이 알고리즘의 핵심은 각 단계에서 '현재 시점에서 가장 가까운 미방문 정점'을 선택하여 그 정점을 통해 다른 정점들까지의 거리를 개선하는 국소 최적해 선택 전략에 기반한다.

알고리즘은 시작 정점에서 자신까지의 거리가 0으로 초기화되고, 다른 모든 정점까지의 거리는 무한대로 설정된 상태에서 시작한다. 이후, 아직 방문하지 않은 정점들 중 시작점으로부터 가장 짧은 추정 거리를 가진 정점을 선택한다. 이 정점은 그 거리가 이미 최단 거리임이 보장된다[2]. 선택된 정점을 '방문 처리'한 후, 이 정점에 인접한 모든 미방문 정점들에 대해 거리 업데이트를 시도한다. 즉, '선택된 정점까지의 거리 + 그 정점에서 인접 정점까지의 가중치'가 기존에 기록된 인접 정점까지의 거리보다 짧으면 더 짧은 값으로 갱신한다.

이 과정을 표로 간략히 정리하면 다음과 같다.

이러한 탐욕적 선택의 정당성은 수학적 귀납법으로 증명된다. 기본적으로, 시작 정점에서 자신까지의 거리 0은 최단 거리이다. 첫 번째로 선택되는 정점은 시작점과 직접 연결된 간선 중 가장 가중치가 작은 정점이며, 이 거리보다 더 짧은 다른 경로는 존재할 수 없다[3]. 이 원리가 귀납적으로 적용되어, 각 단계에서 선택되는 최소 거리 정점의 거리는 항상 최종 최단 거리가 된다. 이로 인해 알고리즘은 한 번 방문한 정점을 다시 방문할 필요가 없어 효율적이다.

알고리즘은 시작 정점에서 자신까지의 현재 알려진 최단 거리인 거리 값을 각 정점에 유지한다. 초기에는 시작 정점의 거리를 0으로, 다른 모든 정점의 거리를 무한대로 설정한다. 또한 각 정점의 이전 정점을 기록하여 최단 경로를 재구성할 수 있게 한다.

핵심 과정은 우선순위 큐에서 가장 작은 거리 값을 가진 정점을 반복적으로 추출하는 것이다. 이 정점을 '현재 정점'으로 선택하면, 그 정점은 시작점으로부터의 최단 거리가 확정된 것으로 간주한다[4]. 이후 현재 정점의 모든 인접 정점을 검사하며 거리를 '완화'한다. 완화는 현재 정점을 거쳐 가는 새로운 경로가 기존에 알려진 거리보다 짧은지 확인하는 작업이다.

완화 과정은 다음과 같은 수식으로 표현된다. current를 현재 정점, neighbor를 그 인접 정점, weight를 두 정점을 연결하는 간선의 가중치라고 할 때, new_distance = distance[current] + weight를 계산한다. 만약 new_distance가 distance[neighbor]에 저장된 값보다 작다면, 더 짧은 경로를 발견한 것이다. 이 경우 distance[neighbor] 값을 new_distance로 업데이트하고, neighbor의 이전 정점을 current로 설정한다. 동시에 우선순위 큐에서 neighbor의 거리 우선순위도 갱신한다[5].

이 과정은 우선순위 큐가 빌 때까지, 혹은 목표 정점이 확정될 때까지 반복된다. 알고리즘이 종료되면, 시작 정점으로부터 모든 도달 가능한 정점까지의 최단 거리가 distance 배열에, 그 경로는 각 정점의 이전 정점 포인터를 역추적하여 얻을 수 있다.

*표: 정점 A를 시작점으로 하는 가상의 그래프에서 데이크스트라 알고리즘의 거리 업데이트 과정 예시. 각 단계에서 가장 작은 확정 거리를 가진 정점이 '현재 정점'이 되고, 그 인접 정점들의 거리가 완화된다.*

데이크스트라 알고리즘의 의사코드는 알고리즘의 핵심 논리를 단계별로 명확하게 보여준다. 일반적으로 그래프는 정점 집합 V와 간선 집합 E로 표현되며, 각 간선에는 가중치가 존재한다. 시작 정점 s에서 모든 다른 정점까지의 최단 거리를 계산하는 것이 목표이다.

알고리즘은 다음과 같은 주요 자료 구조를 사용한다.

* dist[]: 시작 정점 s로부터 각 정점까지의 현재까지 알려진 최단 거리 추정값을 저장하는 배열이다. 초기에는 dist[s] = 0으로 설정하고, 다른 모든 정점에 대해서는 무한대(∞)로 설정한다.

* visited[] 또는 Q: 아직 최단 거리가 확정되지 않은 정점들의 집합이다. 일반적으로 우선순위 큐를 사용하여 dist[] 값이 가장 작은 정점을 효율적으로 선택한다.

의사코드의 핵심 단계는 다음과 같다.

1. 초기화: dist[] 배열을 설정하고, 모든 정점을 우선순위 큐에 삽입한다.

2. 큐가 빌 때까지 다음을 반복한다:

a. 큐에서 dist[] 값이 가장 작은 정점 u를 꺼낸다. 이 정점의 거리는 이제 확정된다[6].

b. 정점 u의 모든 인접 정점 v에 대해, u를 경유하는 새로운 경로 거리(dist[u] + 가중치(u, v))를 계산한다.

c. 계산된 새로운 거리가 기존 dist[v]보다 작으면, dist[v] 값을 새로운 값으로 업데이트하고, 우선순위 큐에서 v의 우선순위를 조정한다(또는 다시 삽입한다).

아래는 이를 정리한 간략한 의사코드 표이다.

이 의사코드는 탐욕 알고리즘의 전형적인 패턴을 보여준다. 매 단계에서 국소적으로 최적의 선택(가장 가까운 미방문 정점)을 함으로써 전역적인 최적해(전체 최단 경로)를 구성해 나간다. 실제 구현에서는 힙 자료구조를 기반으로 한 우선순위 큐를 사용하여 효율성을 높인다.

데이크스트라 알고리즘의 시간 복잡도는 사용하는 자료 구조에 크게 의존한다. 기본적인 배열을 사용한 구현의 경우, 모든 정점에 대해 최단 거리가 확정되지 않은 정점들 중 최소 거리를 가진 정점을 찾는 과정에 O(V) 시간이 소요된다. 이 과정이 V번 반복되고, 각 정점의 인접 간선을 탐색하는 데 총 O(E) 시간이 소요되므로, 전체 시간 복잡도는 O(V² + E)가 된다. 이는 밀집 그래프에서 효율적일 수 있지만, 대부분의 그래프에서 E가 V²보다 훨씬 작은 경우에는 비효율적이다.

효율성을 높이기 위해 우선순위 큐를 사용하는 것이 일반적이다. 이진 힙을 기반으로 한 우선순위 큐를 사용하면, 각 정점을 큐에 삽입하고 삭제하는 데 O(log V) 시간이 걸린다. 모든 정점이 한 번씩 삽입되고 삭제되므로 이 과정은 O(V log V) 시간이 소요된다. 또한, 각 간선에 대해 거리 업데이트가 발생할 때 우선순위 큐의 키 값을 감소시키는(decrease-key) 연산이 필요하다. 이 연산의 시간 복잡도도 O(log V)이며, 최악의 경우 모든 간선에 대해 수행될 수 있어 O(E log V) 시간이 추가된다. 따라서 전체 시간 복잡도는 O((V + E) log V)가 된다.

일반적으로 그래프가 희소한 경우, 즉 E가 O(V)에 가까운 경우에는 이진 힙 구현이 효율적이다. 반면, 그래프가 매우 밀집되어 E가 약 O(V²)에 가까운 경우에는 배열을 사용한 구현이 더 나은 성능을 보일 수 있다. 피보나치 힙은 decrease-key 연산을 분할 상환 시간 O(1)에 수행할 수 있어 이론상 최적의 복잡도를 제공하지만, 상수 계수가 크고 구현이 복잡하여 실용적인 알고리즘에서는 거의 사용되지 않는다.

데이크스트라 알고리즘의 기본 구현은 모든 정점을 순회하며 최단 거리를 찾기 때문에 시간 복잡도가 O(V²)입니다. 여기서 V는 정점의 수입니다. 이는 정점 수가 많을 경우 비효율적입니다. 이 성능을 개선하기 위해 우선순위 큐를 사용한 최적화가 널리 채택됩니다.

최적화의 핵심은 아직 방문하지 않은 정점 중에서 현재까지 알려진 거리가 가장 짧은 정점을 효율적으로 선택하는 것입니다. 이진 힙이나 피보나치 힙과 같은 자료구조를 기반으로 한 우선순위 큐는 이 작업을 빠르게 수행합니다. 알고리즘은 다음과 같이 동작합니다. 시작 정점의 거리를 0으로 설정하고 큐에 삽입합니다. 큐가 빌 때까지, 큐에서 거리가 가장 짧은 정점을 추출하고, 그 정점의 모든 인접 정점에 대해 거리 업데이트를 시도합니다. 만약 인접 정점의 거리가 새롭게 계산된 거리보다 크다면, 거리를 갱신하고 해당 정점을 우선순위 큐에 삽입하거나 큐 내의 우선순위를 재조정합니다.

이 최적화를 통해 시간 복잡도는 크게 개선됩니다. 이진 힙을 사용할 경우 시간 복잡도는 O((V+E) log V)가 됩니다. 여기서 E는 간선의 수입니다. 더 정교한 피보나치 힙을 사용하면 감소 키 연산의 비용이 낮아져 시간 복잡도를 O(E + V log V)까지 낮출 수 있습니다. 이는 밀집 그래프보다는 간선 수가 상대적으로 적은 희소 그래프에서 특히 큰 성능 향상을 보입니다.

따라서 현대의 데이크스트라 알고리즘 구현은 거의 예외 없이 우선순위 큐를 활용합니다. 이 최적화는 알고리즘이 대규모 그래프, 예를 들어 도로 네트워크나 통신망 라우팅 테이블 계산과 같은 실용적인 문제에 적용될 수 있는 기반을 마련했습니다.

데이크스트라 알고리즘은 모든 간선의 가중치가 음수가 아니라는 전제 하에 정확한 최단 경로를 보장한다. 그러나 그래프에 음수 가중치를 가진 간선이 존재할 경우, 알고리즘의 기본 원리인 탐욕적 접근법이 실패하여 잘못된 결과를 초래할 수 있다.

알고리즘이 한 번 방문한 노드를 '확정'된 것으로 간주하고 다시는 거리를 재평가하지 않는 것이 근본적인 문제다. 음수 가중치 간선을 통해 이미 방문한 노드에 더 짧은 경로가 새롭게 발견될 가능성이 있음에도 불구하고, 이를 고려하지 않기 때문이다. 예를 들어, A, B, C 세 노드가 있고 A->B(가중치 5), A->C(가중치 10), C->B(가중치 -10)의 간선이 있다고 가정하자. 데이크스트라 알고리즘은 출발점 A에서 B까지의 최단 거리를 처음에 5로 확정한다. 이후 C를 거쳐 B로 가는 경로(A->C->B, 총 가중치 0)가 더 짧지만, B는 이미 '확정'된 상태이므로 이 더 짧은 경로를 발견하지 못한다.

따라서 그래프에 음수 가중치가 존재하거나, 그 존재 여부를 모르는 경우에는 벨만-포드 알고리즘과 같은 대안을 사용해야 한다. 벨만-포드 알고리즘은 모든 간선에 대한 거리 완화 작업을 V-1번 반복하여 음수 가중치를 처리할 수 있으며, 추가로 한 번 더 반복하여 음수 사이클의 존재 여부까지 감지할 수 있다. 단, 데이크스트라 알고리즘보다 일반적으로 시간 복잡도가 높다는 단점이 있다.

A* 알고리즘은 데이크스트라 알고리즘을 기반으로 하여, 목표 정점에 더 빨리 도달하기 위해 휴리스틱 함수를 사용하는 그래프 탐색 알고리즘이다. 데이크스트라 알고리즘이 출발점에서 모든 정점까지의 거리를 전방위적으로 탐색하는 반면, A* 알고리즘은 목표점의 방향을 예측하며 탐색 범위를 좁혀 더 효율적으로 최단 경로를 찾는다. 이 알고리즘은 각 정점에 대해 두 가지 비용, 즉 출발점에서 현재 정점까지의 실제 비용(g(n))과 현재 정점에서 목표점까지의 예상 비용(h(n))을 합친 총 예상 비용(f(n) = g(n) + h(n))을 계산하여 작동한다.

알고리즘은 우선순위 큐를 사용하여 총 예상 비용 f(n)이 가장 낮은 정점을 다음에 방문한다. 이 과정에서 g(n)은 데이크스트라 알고리즘과 마찬가지로 발견된 실제 거리로 계속 업데이트된다. 핵심은 휴리스틱 함수 h(n)의 선택에 있다. h(n)은 반드시 허용적 휴리스틱이어야 하는데, 이는 실제 최단 거리를 절대 과대평가하지 않음을 의미한다[7]. 대표적인 예로, 2차원 격자 지도에서의 유클리드 거리나 맨해튼 거리가 자주 사용된다.

A* 알고리즘은 휴리스틱의 품질에 크게 의존한다. 이상적인 휴리스틱은 실제 거리에 최대한 가까우면서 계산 비용이 낮아야 한다. h(n)이 실제 거리와 정확히 일치하면 최적의 경로를 가장 빠르게 찾지만, 그렇지 않더라도 허용적 휴리스틱 조건만 만족하면 최적 경로를 보장한다. 이 알고리즘은 인공지능과 게임 프로그래밍에서 캐릭터나 유닛의 경로 찾기, 그리고 로봇 공학에서의 실시간 경로 계획에 널리 응용된다.

양방향 데이크스트라는 출발점과 도착점에서 동시에 데이크스트라 알고리즘을 수행하여 탐색 속도를 높이는 변형 알고리즘이다. 단방향 탐색은 출발점에서 모든 가능한 노드를 방문하며 도착점을 찾지만, 양방향 탐색은 두 개의 탐색 영역(전방 탐색, 후방 탐색)이 서로를 향해 확장하다가 중간에서 만나는 지점을 찾는다. 이는 특히 큰 규모의 그래프에서 탐색 공간을 크게 줄여 실행 시간을 단축하는 효과가 있다.

알고리즘은 출발점 s와 도착점 t에 대해 두 개의 우선순위 큐를 사용한다. 하나는 s에서 시작하는 전방 탐색용이고, 다른 하나는 t에서 시작하는 후방 탐색용이다. 각 탐색은 독립적으로 진행되며, 자신의 영역 내 노드까지의 최단 거리와 이전 노드 정보를 관리한다. 두 탐색 영역이 교차하는 조건은 한쪽 탐색이 다른 쪽에서 이미 방문한(즉, 거리 값이 할당된) 노드를 방문할 때이다. 이때 발견된 경로의 후보 거리는 전방 탐색에서의 거리 + 후방 탐색에서의 거리로 계산된다.

최단 경로는 두 탐색이 교차한 모든 후보 경로 중에서 거리의 합이 최소인 것을 선택하여 결정한다. 최종 경로는 전방 탐색 경로와 역순으로 정렬된 후방 탐색 경로를 연결하여 구성한다. 이 접근법의 효율성은 그래프의 구조에 크게 의존하지만, 이상적인 경우(예: 정규 그리드) 시간 복잡도를 O(b^(d/2)) 수준으로 줄일 수 있다[8]. 여기서 b는 분기 계수, d는 최단 경로의 길이를 나타낸다.

이 알고리즘은 특히 지도 기반 내비게이션 시스템과 같이 출발지와 목적지가 명확한 대규모 네트워크에서 널리 활용된다.

벨만-포드 알고리즘은 가중 유향 그래프에서 한 정점에서 다른 모든 정점까지의 최단 경로를 찾는 알고리즘이다. 데이크스트라 알고리즘과 달리, 간선의 가중치가 음수인 경우에도 사용할 수 있다는 점이 가장 큰 특징이다. 그러나 그래프에 음수 사이클이 존재하면 최단 경로가 정의되지 않으므로, 알고리즘은 이를 감지하여 보고한다.

알고리즘의 핵심 원리는 완화 연산을 반복적으로 적용하는 것이다. 모든 정점에 대한 거리 추정값을 초기화한 후, 모든 간선에 대해 완화 연산을 수행하는 과정을 정점 수에서 1을 뺀 횟수만큼 반복한다. 완화 연산은 현재 정점 u를 거쳐 정점 v로 가는 경로가 기존에 알려진 v까지의 거리보다 짧으면, 그 거리 값을 더 짧은 값으로 업데이트하는 과정이다. 이 과정을 충분히 반복하면 최단 경로가 점진적으로 찾아진다. N번째 반복에서도 거리 값이 갱신된다면, 그래프에 음수 사이클이 존재한다는 것을 의미한다.

데이크스트라 알고리즘이 우선순위 큐를 사용한 탐욕 알고리즘 접근법을 취하는 반면, 벨만-포드 알고리즘은 동적 계획법의 사고방식에 더 가깝다. 모든 가능성을 체계적으로 검토하기 때문에 데이크스트라 알고리즘보다 일반적으로 느리지만, 음수 가중치를 다룰 수 있는 유일한 단일 출발점 최단 경로 알고리즘이다. 이 알고리즘은 통신 네트워크의 라우팅 프로토콜이나 금융 시스템에서 차익 거래 가능성을 분석하는 모델 등, 음수 가중치가 나타날 수 있는 다양한 시나리오에서 응용된다.

플로이드-워셜 알고리즘은 가중치 방향 그래프에서 모든 정점 쌍 사이의 최단 경로를 찾는 동적 계획법 기반 알고리즘이다. 단일 출발점이 아닌 모든 쌍에 대한 최단 거리를 계산한다는 점에서 데이크스트라 알고리즘이나 벨만-포드 알고리즘과 구별된다. 알고리즘의 핵심 아이디어는 중간 정점을 하나씩 허용해 가며 최단 거리를 점진적으로 개선하는 것이다.

알고리즘은 2차원 배열 dist를 사용하여 dist[i][j]가 정점 i에서 정점 j까지의 현재까지 알려진 최단 거리를 저장한다. 초기화 단계에서는 직접 연결된 간선의 가중치를 할당하고, 연결되지 않은 정점 쌍에 대해서는 무한대(∞) 값을, 자기 자신으로의 거리는 0으로 설정한다. 이후 모든 정점 k를 중간 정점 후보로 고려하며, i에서 j로 가는 기존 경로와 i → k → j 경로를 비교하여 더 짧은 거리로 dist[i][j]를 업데이트한다. 이 과정을 의사코드로 간략히 나타내면 다음과 같다.

```

for k from 1 to |V|

for i from 1 to |V|

for j from 1 to |V|

if dist[i][j] > dist[i][k] + dist[k][j]

dist[i][j] = dist[i][k] + dist[k][j]

```

이 알고리즘의 시간 복잡도는 정점의 수를 V라고 할 때, 삼중 반복문으로 인해 O(V³)이다. 공간 복잡도는 거리 행렬을 저장하는 데 필요한 O(V²)이다. 플로이드-워셜 알고리즘은 구현이 간단하고 코드가 짧은 장점이 있지만, 정점의 수가 많아지면 실행 시간이 급격히 증가하는 단점도 있다.

이 알고리즘은 음수 가중치를 가진 간선이 존재해도 올바르게 동작한다[10]. 그러나 음수 사이클이 존재하는 경우, 알고리즘을 실행한 후 대각선 요소(dist[i][i])가 음수인지를 확인하여 사이클의 존재를 감지할 수 있다. 주요 응용 분야로는 모든 지점 간의 최단 거리 정보가 필요한 운송 네트워크 분석, 최단 경로를 기반으로 한 중심성 지표 계산, 그리고 일부 유전 알고리즘의 적합도 평가 함수 등이 있다.

너비 우선 탐색(BFS)은 가중치가 없는 그래프, 또는 모든 간선의 가중치가 동일한 그래프에서 최단 경로를 찾는 데 사용할 수 있는 간단하면서도 효율적인 알고리즘이다. BFS는 그래프나 트리를 탐색할 때 시작 정점에서 가까운 정점들부터 순차적으로 방문하는 방식을 취한다. 이 특성 때문에 시작점으로부터의 최소 홉(간선의 개수) 수를 보장하는 경로를 자연스럽게 찾아낸다.

BFS를 이용한 최단 경로 탐색 과정은 다음과 같다. 먼저, 시작 정점을 큐(Queue)에 넣고 방문했다고 표시한다. 큐가 빌 때까지, 큐의 맨 앞에 있는 정점을 꺼내어 그 정점에 인접한 모든 미방문 정점을 큐에 추가하고, 해당 정점까지의 거리를 (현재 정점의 거리 + 1)로 기록한다. 이 과정은 목표 정점을 찾거나 모든 정점을 방문할 때까지 반복된다. 각 정점은 최초 한 번만 방문되며, 이때 기록된 거리가 곧 시작점으로부터의 최단 거리가 된다.

BFS 기반 최단 경로 탐색은 가중치가 다른 그래프에서는 정확한 결과를 보장하지 않는다. 예를 들어, 간선마다 다른 비용(시간, 거리)이 존재하는 도로 네트워크에서는 BFS 대신 데이크스트라 알고리즘을 사용해야 한다. 그러나 가중치가 없거나 동일한 환경, 예를 들어 체스나 체커 같은 보드 게임에서의 최소 이동 횟수, 또는 소셜 네트워크 서비스에서 두 사람 사이의 최소 친구 연결 단계(예: 케빈 베이컨 게임)를 찾는 문제에서는 BFS가 매우 효과적이다.

네트워크 라우팅은 데이크스트라 알고리즘의 가장 대표적인 응용 분야 중 하나이다. 이 알고리즘은 인터넷과 같은 패킷 교환 네트워크에서 데이터 패킷이 출발지에서 목적지까지 이동할 최적의 경로를 결정하는 데 핵심적으로 사용된다. 특히 OSPF와 IS-IS와 같은 링크 상태 라우팅 프로토콜의 핵심 연산 엔진으로 작동한다. 이러한 프로토콜에서 각 라우터는 네트워크 전체의 토폴로지와 각 링크의 비용(지연, 대역폭 등) 정보를 가지고 있으며, 이를 바탕으로 데이크스트라 알고리즘을 실행하여 자신을 루트로 하는 최단 경로 트리를 계산한다. 이 트리는 모든 가능한 목적지까지의 최단 경로와 다음 홉을 결정하는 라우팅 테이블을 만드는 데 사용된다.

라우팅에서의 구현은 일반적으로 다음과 같은 과정을 거친다. 먼저, 네트워크는 라우터를 정점으로, 이들 사이의 통신 링크를 간선으로, 링크의 상태(비용)를 가중치로 하는 가중 그래프로 모델링된다. 각 라우터는 정기적인 링크 상태 광고를 통해 네트워크 내 모든 라우터의 연결 상태 정보를 수집하여 동일한 네트워크 맵(링크 상태 데이터베이스)을 유지한다. 이 맵을 바탕으로 각 라우터는 독립적으로 데이크스트라 알고리즘을 실행한다. 알고리즘은 자신의 라우터를 출발점으로 하여 모든 다른 라우터(목적지 네트워크)까지의 최소 비용 경로를 계산하고, 그 결과를 라우팅 테이블에 저장한다.

이 접근법의 주요 장점은 네트워크 토폴로지 변화에 빠르게 적응할 수 있다는 점이다. 링크에 장애가 발생하거나 비용이 변경되면, 해당 정보가 네트워크 전체에 빠르게 전파되고 각 라우터는 새로운 데이터베이스로 데이크스트라 알고리즘을 재계산하여 수 초 내에 새로운 최적 경로로 컨버전스를 완료한다. 이는 거리 벡터 프로토콜에 비해 더 빠른 장애 복구와 루프 없는 경로 계산을 보장한다. 또한, 알고리즘이 제공하는 최단 경로는 단순히 홉 수가 아닌 관리자가 정의한 다양한 메트릭(대역폭, 신뢰성, 지연 등)을 기반으로 하므로 네트워크 자원을 더 효율적으로 활용할 수 있게 해준다.

데이크스트라 알고리즘은 내비게이션 시스템의 핵심 엔진으로 널리 사용된다. 이 알고리즘은 도로망을 가중 그래프로 모델링하여, 교차로를 정점, 도로 구간을 간선, 그리고 통행 시간이나 거리를 가중치로 설정한다. 출발지와 목적지가 주어지면 알고리즘은 모든 가능한 경로를 탐색하여 누적 가중치가 가장 작은, 즉 가장 빠르거나 가장 짧은 경로를 계산해 낸다. 현대의 GPS 기반 내비게이션 앱은 실시간 교통 정보를 반영하여 가중치를 동적으로 조정함으로써 정체 구간을 회피하는 최적의 경로를 제공한다.

내비게이션 시스템에서의 구현은 몇 가지 실용적인 고려 사항을 포함한다. 대규모 도로 네트워크를 효율적으로 처리하기 위해 알고리즘은 캐싱이나 계층적 경로 탐색 기법과 결합되곤 한다. 예를 들어, 주요 고속도로만을 포함한 상위 계층 그래프에서 먼저 대략적인 경로를 찾은 후, 해당 경로 주변의 상세 도로망에서 정밀한 경로를 재탐색하는 방식이다. 또한, 사용자 선호도에 따라 '최단 시간', '최단 거리', '고속도로 우선', '유료 도로 회피' 등 다양한 조건을 가중치에 반영할 수 있다.

이 기술은 자동차 내비게이션을 넘어 보행자 경로 안내, 대중교통 환산 경로 탐색, 심지어 실내 공간의 경로 찾기까지 그 응용 범위를 확장하고 있다. 이러한 시스템의 정확도와 속도는 데이크스트라 알고리즘의 효율적인 구현과 다양한 데이터 소스와의 통합에 크게 의존한다.

로봇 공학에서 데이크스트라 알고리즘은 로봇이 주어진 환경 내에서 장애물을 피해 목표 지점까지 이동하는 최적 경로를 찾는 데 핵심적으로 활용된다. 이 과정을 로봇 경로 계획 또는 모션 플래닝이라고 부른다. 로봇이 인식하는 작업 공간은 일반적으로 그래프나 격자 지도로 모델링되며, 각 격자 셀 또는 노드는 위치를, 간선은 이동 가능성을 나타내고 그 가중치는 이동 비용(거리, 시간, 에너지 소모량 등)을 의미한다. 알고리즘은 시작점(로봇의 현재 위치)에서 모든 가능한 노드까지의 최단 경로를 계산하여, 목표점까지의 최소 비용 경로를 결정한다.

로봇 경로 계획에 데이크스트라 알고리즘을 적용할 때는 몇 가지 실용적인 고려사항이 추가된다. 먼저, 환경은 정적이라고 가정하는 경우가 많지만, 동적 장애물을 다루기 위해 주기적으로 재계산을 수행하기도 한다. 또한, 실제 물리적 로봇의 크기와 운동학적 제약을 반영하기 위해 구성 공간 개념을 사용하여 장애물 영역을 확장하는 전처리 과정이 필요하다. 이는 로봇을 하나의 점으로 단순화하고, 장애물을 그 점이 접근해서는 안 되는 영역으로 변환하는 작업이다.

데이크스트라 알고리즘의 특성상 모든 방향으로 균일하게 탐색을 진행하기 때문에, 장애물이 복잡한 미로 형태의 환경에서도 확실하게 최단 경로를 보장한다. 그러나 계산 영역이 넓을수록 시간이 오래 걸리는 단점이 있다. 이를 보완하기 위해, 휴리스틱을 도입한 A* 알고리즘이 실제 로봇 시스템에서 더 빈번히 사용된다. A* 알고리즘은 목표점 방향으로 탐색을 유도하여 계산 효율성을 높인 데이크스트라 알고리즘의 변형으로 볼 수 있다.

이러한 알고리즘들은 자율 주행 차량, 무인 항공기, 산업용 로봇 암, 그리고 청소 로봇 등 다양한 자율 시스템의 핵심 소프트웨어 모듈로 구현되어, 효율적이고 안전한 이동을 가능하게 한다.