数据结构-图

前言：简单介绍数据结构-图

图（Graph）数据结构详解

一、图的定义与基本概念

图是一种用于表示 ** 对象（节点）及其之间关系（边）** 的非线性数据结构，由两部分组成：

节点（Vertex/Node）：表示具体对象（如城市、用户、任务等）。

边（Edge）：表示节点之间的关系（如道路、关注、依赖等）。

核心术语：

有向图（Directed Graph）：边有方向（如 A→B 表示 A 指向 B，单向关系）。

无向图（Undirected Graph）：边无方向（A-B 表示 A 和 B 互相连通）。

权重（Weight）：边可以带有数值权重（如距离、成本、时间等）。

环（Cycle）：存在从某个节点出发，经过若干边后回到自身的路径（有向图中称为有向环）。

连通图：无向图中任意两节点之间存在路径；有向图中需区分 “强连通”（任意两节点可互相到达）和 “弱连通”（忽略方向后连通）。

二、图的存储方式

图的存储需兼顾空间效率和操作便捷性，常见方式有两种：

1. 邻接矩阵（Adjacency Matrix）

结构：用一个二维数组 matrix[N][N] 表示节点间的连接关系，其中 N 为节点数。

无向图中，若节点 i 和 j 连通，则 matrix[i][j] = matrix[j][i] = 1（无权图）或权重值（带权图）。

有向图中，matrix[i][j] 表示从 i 到 j 的边。

优缺点：

优点：查询边是否存在的时间复杂度为 O(1)，适合稠密图（边数接近 \(N^2\)）。

缺点：空间复杂度为 O(N²)，存储稀疏图（边数远小于 \(N^2\)）时浪费空间.

示例（无向无权图）：

节点：A(0)、B(1)、C(2)、D(3)  
边：A-B，A-C，B-D  
邻接矩阵：  
[
 [0, 1, 1, 0],  // A的连接  
 [1, 0, 0, 1],  // B的连接  
 [1, 0, 0, 0],  // C的连接  
 [0, 1, 0, 0]   // D的连接  
]

2. 邻接表（Adjacency List）

结构：用数组或链表存储每个节点的相邻节点列表。

数组索引表示节点，对应的值为该节点的邻接节点集合（或带权重的边列表）。

优缺点：

优点：空间复杂度为 O(N+E)（E 为边数），适合稀疏图。

缺点：查询边是否存在需遍历邻接表，时间复杂度为 O(E)。

示例（有向带权图：A→B (5)，B→C (3)）：

邻接表：  
A: [(B, 5)]  
B: [(C, 3)]  
C: []  

三、图的遍历算法

遍历图的目的是访问每个节点一次，常见算法有两种：

1. 深度优先搜索（DFS, Depth-First Search）

思想：从起点出发，尽可能深入遍历每条路径，直到无法继续后回溯，类似树的前序遍历。

实现：用递归或栈记录访问路径。需标记已访问节点（visited数组），避免重复访问或环导致死循环。

时复杂度：O(N+E)（邻接表存储）或 O(N²)（邻接矩阵存储）。

示例（无向图遍历起点 A）：

访问顺序：A → B → D → C（可能因邻接表顺序不同而变化

2. 广度优先搜索（BFS, Breadth-First Search）

思想：从起点出发，按层次逐层访问所有相邻节点，类似树的层序遍历。

实现：用队列按顺序存储待访问节点，先入队的节点先处理。

时间复杂度：同 DFS。

示例（无向图遍历起点 A）：

访问顺序：A → B → C → D（按层次扩展） 

四、图的应用场景

社交网络：用户为节点，关注 / 好友关系为边，分析社群结构（如连通分量）。

交通网络：城市为节点，道路为边，计算最短路线（Dijkstra 算法）。

计算机网络：路由器为节点，连接为边，检测网络连通性（BFS / 并查集）。

推荐系统：用户与物品为节点，交互行为为边，用图算法挖掘关联关系（如协同过滤）。

编译器：表达式树优化、函数调用图的拓扑排序。

五、图的扩展与变种

带权图：边带有权重，适用于成本、距离等场景。

二分图：节点可分为两部分，所有边仅存在于两部分之间（如任务分配问题）。

超图：边可连接两个以上节点（传统图的边仅连接两个节点）。

动态图：节点和边可动态添加或删除（如实时社交网络）。