浅谈并查集算法

概述

并查集是一种树型的数据结构，常用于处理一些不相交集合（Disjoint Sets）的合并及查询问题。

种类

链表中的每个元素设两个指针：一个指向同一集合中的下一个元素；另一个指向表首元素。

1. 链结构的并查集

采用链式存储结构，在进行集合查找时的算法复杂度仅为O（1）；但合并集合时的算法复杂度却达到了O（n）。如果我们希望两种基本操作的时间效率都比较高的话，链式存储方式就“力不从心”了。

2.树结构的并查集

采用树结构支持并查集的计算能够满足我们的要求。并查集与一般的树结构不同，每个顶点纪录的不是它的子结点，而是将它的父结点记录下来。（往上记录）下面是树结构的并查集的两种运算方式

⑴直接在树中查询
⑵边查询边“路径压缩”

对应与前面的链式存储结构，树状结构的优势非常明显：编程复杂度低；时间效率高。

基本操作

并查集是一种非常简单的数据结构，它主要涉及两个基本操作，分别为：

1. 合并两个不相交集合
2. 判断两个元素是否属于同一个集合

（1）合并两个不相交集合（Union(x,y)）
合并操作很简单：先设置一个数组Father[x]，表示x的“父亲”的编号。那么，合并两个不相交集合的方法就是，找到其中一个集合最父亲的父亲（也就是最久远的祖先），将另外一个集合的最久远的祖先的父亲指向它。

上图为两个不相交集合，b图为合并后Father(b):=Father(g)
（2）判断两个元素是否属于同一集合（Find_Set(x)）
本操作可转换为寻找两个元素的最久远祖先是否相同。可以采用递归实现。

优化

直接在树中查询

集合的合并算法很简单，只要将两棵树的根结点相连即可，这步操作只要O（1）时间复杂度。算法的时间效率取决于集合查找的快慢。而集合的查找效率与树的深度呈线性关系。因此直接查询所需要的时间复杂度平均为O（logN）。但在最坏情况下，树退化成为一条链，使得每一次查询的算法复杂度为O（N）。

边查询边“路径压缩

寻找祖先时，我们一般采用递归查找，但是当元素很多亦或是整棵树变为一条链时，每次Find_Set(x)都是O(n)的复杂度。为了避免这种情况，我们需对路径进行压缩，即当我们经过”递推”找到祖先节点后，”回溯”的时候顺便将它的子孙节点都直接指向祖先，这样以后再次Find_Set(x)时复杂度就变成O(1)了，如下图所示。可见，路径压缩方便了以后的查找。

想法很简单：在集合的查找过程中顺便将树的深度降低。采用路径压缩后，每一次查询所用的时间复杂度为增长极为缓慢的ackerman函数的反函数——α（x）。对于可以想象到的n，α（n）都是在5之内的。

Union(x,y)时，按秩合并

即合并的时候将元素少的集合合并到元素多的集合中，这样合并之后树的高度会相对较小。

题目

畅通工程