1. Dijkstra 算法：核心是求「单源最短路径」，在进销存中可用于「多供应商到仓库的最优采购路径规划」（最优可指运输成本最低、运输时间最短、综合损耗最少等）。
2. Kruskal 算法：核心是求「最小生成树」，在进销存中可用于「多仓库 / 多网点间的库存调拨网络搭建」（搭建总成本最低、连通性最优的调拨链路，确保库存高效流转）。

下面分别提供两个算法结合进销存场景的 Mermaid 图表（包含流程图 + 示意图），并附带业务逻辑解释。

---

一、 Dijkstra 算法在进销存中的应用（供应商→仓库最优采购路径）

某仓库需要采购一批原材料，有 3 个可选供应商（A、B、C），供应商到仓库之间有不同的中转物流点，不同路径对应不同的综合成本（含运输费、包装费、损耗费），使用 Dijkstra 算法找到「单个仓库（单源）」到各供应商的最低成本采购路径。

Mermaid 图表（流程图 + 路径示意图）

1. 算法执行流程图（结合进销存业务）

 

开始：初始化进销存采购数据

确定目标：仓库（单源点）求最低成本采购路径

录入数据：供应商（A/B/C）、中转物流点、各路径综合成本

Dijkstra 算法初始化

设置仓库到自身成本为 0

设置仓库到其他所有节点（供应商/中转点）成本为∞（不可达初始值）

创建已访问节点集合（初始为空）、未访问节点集合（包含所有节点）

核心迭代：寻找最优路径

从末访问集合中，选取到仓库成本最小的节点 X

将节点 X 加入已访问集合

遍历节点 X 的所有相邻未访问节点 Y

计算：仓库→X→Y 的成本 是否 < 仓库→Y 的当前记录成本

是否更小？

更新仓库→Y 的成本为 仓库→X→Y 的成本，记录路径（X→Y）

保持仓库→Y 的当前成本和路径不变

判断：未访问集合是否为空？

算法结束：输出仓库到各供应商的最低成本采购路径+总成本

进销存业务落地

根据最优路径下达采购订单

跟踪物流路径，记录采购成本

入库时核对成本，更新库存台账 

开始：初始化进销存采购数据

确定目标：仓库（单源点）求最低成本采购路径

录入数据：供应商（A/B/C）、中转物流点、各路径综合成本

Dijkstra 算法初始化

设置仓库到自身成本为 0

设置仓库到其他所有节点（供应商/中转点）成本为∞（不可达初始值）

创建已访问节点集合（初始为空）、未访问节点集合（包含所有节点）

核心迭代：寻找最优路径

从末访问集合中，选取到仓库成本最小的节点 X

将节点 X 加入已访问集合

遍历节点 X 的所有相邻未访问节点 Y

计算：仓库→X→Y 的成本 是否 < 仓库→Y 的当前记录成本

是否更小？

更新仓库→Y 的成本为 仓库→X→Y 的成本，记录路径（X→Y）

保持仓库→Y 的当前成本和路径不变

判断：未访问集合是否为空？

算法结束：输出仓库到各供应商的最低成本采购路径+总成本

进销存业务落地

根据最优路径下达采购订单

跟踪物流路径，记录采购成本

入库时核对成本，更新库存台账

 

2. 路径示意图（示例：仓库→供应商的成本图）

 

图表解释

• 流程图清晰展示了 Dijkstra 算法在进销存采购场景中的「业务初始化→算法执行→业务落地」全流程，核心是迭代更新最低成本路径。
• 路径示意图中，红色粗线是 Dijkstra 计算出的最优路径：
  • 仓库→中转点 1→供应商 A（总成本 2+1=3）
  • 仓库→中转点 1→供应商 B（总成本 2+3=5，优于仓库→中转点 2→B 的 5+2=7）
  • 仓库→中转点 2→供应商 C（总成本 5+1=6，最优）

---

二、 Kruskal 算法在进销存中的应用（多仓库 / 网点最优库存调拨网络）

 

某企业有 4 个区域仓库（W1、W2、W3、W4），需要搭建库存调拨网络（当某仓库缺货时，可从其他仓库调拨补充），不同仓库间的调拨有链路成本（含运输费、人工调度费、库存周转损耗），使用 Kruskal 算法搭建「连通所有仓库、总调拨成本最低」的网络（最小生成树），避免重复搭建高成本链路。

Mermaid 图表（流程图 + 网络示意图）

1. 算法执行流程图（结合进销存业务）

 

开始：初始化进销存调拨数据

确定目标：搭建多仓库最低总成本调拨网络

录入数据：各仓库（W1-W4）、仓库间可调拨链路、各链路调拨成本

Kruskal 算法初始化

将所有调拨链路按成本从小到大排序

初始化并查集（每个仓库独立为一个集合，避免环路）

初始化最小生成树（初始为空，总费用为 0）

核心迭代：选取最优链路

从排序后的链路中，选取成本最小的链路（U-V）

使用并查集判断：仓库 U 和仓库 V 是否属于同一个集合？（是否会形成环路）

是否形成环路？

将链路（U-V）加入最小生成树

更新总调拨成本（累加当前链路成本）

使用并查集合并仓库 U 和仓库 V 所在的集合

丢弃该链路，避免网络环路（无意义的高成本重复链路）

判断：最小生成树是否包含所有仓库？（集合数量是否为 1）

算法结束：输出最低成本调拨网络（最小生成树）+ 总调拨成本

进销存业务落地

根据调拨网络制定库存周转规则（优先选择低成本链路）

缺货时，通过最优调拨网络下达调拨指令

调拨完成后，更新各仓库库存台账和调拨成本统计 

开始：初始化进销存调拨数据

确定目标：搭建多仓库最低总成本调拨网络

录入数据：各仓库（W1-W4）、仓库间可调拨链路、各链路调拨成本

Kruskal 算法初始化

将所有调拨链路按成本从小到大排序

初始化并查集（每个仓库独立为一个集合，避免环路）

初始化最小生成树（初始为空，总费用为 0）

核心迭代：选取最优链路

从排序后的链路中，选取成本最小的链路（U-V）

使用并查集判断：仓库 U 和仓库 V 是否属于同一个集合？（是否会形成环路）

是否形成环路？

将链路（U-V）加入最小生成树

更新总调拨成本（累加当前链路成本）

使用并查集合并仓库 U 和仓库 V 所在的集合

丢弃该链路，避免网络环路（无意义的高成本重复链路）

判断：最小生成树是否包含所有仓库？（集合数量是否为 1）

算法结束：输出最低成本调拨网络（最小生成树）+ 总调拨成本

进销存业务落地

根据调拨网络制定库存周转规则（优先选择低成本链路）

缺货时，通过最优调拨网络下达调拨指令

调拨完成后，更新各仓库库存台账和调拨成本统计

 

2. 调拨网络示意图（示例：多仓库最小生成树）

  

图表解释

• 流程图展示了 Kruskal 算法在进销存调拨场景中的核心逻辑：「排序链路→避环选路→合并集合→搭建最优网络」，关键是通过并查集避免环路，确保网络连通且成本最低。
• 调拨网络示意图中，红色粗线是 Kruskal 计算出的最小生成树（总费用 1+2+1=4）：
  • 选取链路 W1-W2（成本 1，最小）
  • 选取链路 W2-W3（成本 2，避环，不重复选 W1-W3）
  • 选取链路 W3-W4（成本 1，避环，不重复选 W2-W4）
  • 最终连通所有 4 个仓库，且总调拨成本最低，无冗余环路。

---

总结

1. Dijkstra 算法在进销存中聚焦「单源最优路径」，核心落地场景是「供应商→仓库的最优采购规划」，追求单个目标点到多个来源点的最低成本 / 最短时间。
2. Kruskal 算法在进销存中聚焦「全局最优连通网络」，核心落地场景是「多仓库 / 网点的最优调拨网络搭建」，追求所有节点连通且总消耗最低，无冗余环路。
3. 两个 Mermaid 图表均分为「业务 + 算法」流程图和「结果」示意图，既体现了算法逻辑，又贴合进销存的实际落地流程，便于理解和落地。

阿雪技术观

在科技发展浪潮中，我们不妨积极投身技术共享。不满足于做受益者，更要主动担当贡献者。无论是分享代码、撰写技术博客，还是参与开源项目维护改进，每一个微小举动都可能蕴含推动技术进步的巨大能量。东方仙盟是汇聚力量的天地，我们携手在此探索硅基生命，为科技进步添砖加瓦。

Hey folks, in this wild tech - driven world, why not dive headfirst into the whole tech - sharing scene? Don't just be the one reaping all the benefits; step up and be a contributor too. Whether you're tossing out your code snippets, hammering out some tech blogs, or getting your hands dirty with maintaining and sprucing up open - source projects, every little thing you do might just end up being a massive force that pushes tech forward. And guess what? The Eastern FairyAlliance is this awesome place where we all come together. We're gonna team up