Data Structure: 图 (Graph)

图的定义：

 

图的组成元素是：顶点和边。对于有向图而言，还有方向。然而，图的最基本的要求是，顶点的结合一定是非空。不同于空链表和空树。并没有空图的说法。但边集可以是空。

 

一些定义：

 

1、简单图：任何一个顶点不能通过边回到自己，且同一条边不能重复地出现。

 

2、有向边和无向边的不同表示方法：无向边用() 小括号表示，(A,D)，用尖括号表示有向边<A,D>. 在数据结构中，无向图其实是一种特殊的有向图，每一条无向边其实是双向的有向边。

 

3、如果有一个无向图的任意两个顶点有边相连，则成为无向完全图。无向完全图的顶点数和边数的关系是：n*(n-1)/2。（n是顶点数）

 

4、如果有一个有向图，任意两个顶点都有来回的两条边相连，则是有向完全图。顶点数和边数的关系是：m = n*(n-1)。一般在图论中，n可以作为vertex数，m是边数。

 

5、对于无向图而言，顶点的度(degree)是和顶点相关联的边的数目。对于有向图而言，顶点的入度(InDegree)是箭头指向自己的边的数目。出度（OutDegree）则是从自己这里出去的边的数目。InDegree是很有用的在topo sort里面。

 

术语：

 

在无向图中，如果从一个顶点a到另外一个顶点b有路径，则a和b是连通的。而如果一幅图（包括有向和无向的），任意两个顶点间是相互连通的，则称这幅图是连通图。树其实是一种特殊的连通图，无环连通图。

 

图的存储结构：

 

总体而言，图的存储结构有三种：邻接矩阵、邻接表和十字链表、多重邻接表以及邻接边集。

 

由于普遍的编程题以邻接链表和邻接矩阵为主。邻接矩阵其实更多用于稠密图 m = n ^ 2，而邻接链表更常用，在n 和 m一个数量级的sparse graph. 

 

1、邻接矩阵 (adjacency matrix)：

 

用两个矩阵来存储一个图。顶点用一维矩阵，而边用二维矩阵。如图【1】：

 

 

矩阵的元素代表当前的行和列代表的顶点之间有没有边相连。（0没有，1有）。

 

如果在Dijkstra算法来求单源最短路（所有权重都是正数）的问题，adjunct matrix的值存的是权重。

 

2）邻接表 (adjacency list)

 

上述的邻接矩阵的问题在于，如果遇到了稀疏图（顶点多，边少），则造成了极大的空间浪费。正如考虑树的存储结构时，考虑使用链表的最大好处就是节约不必要的空间浪费。

 

所以，图也可以使用顶点数组 + 链表的方式存储。

 

 

通常在编程题的用一个一维数组代表顶点。然后对应每一个顶点一个单链表，把所有的邻接的点串起来。

 

用数组来模拟链表，更而模拟邻接链表的模板：

 

const int N = 100010, M = 2 * N;

int h[N], e[M], ne[M], idx = 0;

void add(int a, int b) {
  ne[idx] = h[a];
  h[a] = idx;
  e[idx++] = b;
  // 如果是无向图的话，反方向还要再连连一下
}

 

图的遍历：

 

图的遍历是针对连通图而言的。对于连通图的基本技能就是，如何从任意一个节点出发，遍历整个图。

 

DFS：沿着确定的策略，坚持着一个劲走到底，直接走不了位置，再改变策略。当改变策略也发现都走过了，就返回，边返回边检查改变策略后有没有没有走过的。简而言之，二叉树的前序遍历就是一个特例。

 

一开始确定的策略是，沿着左孩子走，每到一个节点就打印当前值，接着向左子树走，走到叶子节点后，发现走不了了。回溯一层，还原现场，朝其他可能的方向继续往深的走。其它方向走完了，就返回再上一层父节点继续做同样的事情。一直这么回溯到根节点，检查完根节点（开始节点）改变策略的结果即可。

 

 

对应着图就是，从A节点出发，每次选择自己的右边，B - C - D- E -F，发现继续向右就到A了。改变策略，到G，向右到B，不行，向左，D？不行，所以再向左，H。到了H发现都走过了，回溯，G，检查，F，检查，E，检查，D，检查发现还有I没到过。所以，到I，I发现没路走了，返回D，返回C，检查，B检查，A检查。没有了没结束遍历。

 

所以DFS的顺序是：A - B - C - D - E - F - G - H - I .

 

对应两个不同的存储结构，DFS对于邻