不相交ADT的基本数据结构

由于该系列文章标题为数据结构，故书中的第七章排序就不再此分析了。直接跳到第八章的不相交ADT：这种数据结构实现例程仅需要几行代码。

 

1、等价关系。

在集合S上定义运算R(relation)，对于a, b∈S，运算aRb返回类型为布尔型变量，即仅有 true 和 false 。当aRb = true 时，则称a、b有关系。

     对于定义的该运算，有三条性质：（其中 aRb 则直接代表 aRb = true)

     1、自反性：对所有的a∈S，均有aRa;

     2、对称性：aRb的充要条件为bRa。

     3、传递性：若aRb, bRc，则aRc。

 

例：抽象的运算： 电气连接（electrical connectivity)是等价关系，其中的所有连接通过金属导线完成。

 

2、动态等价性问题。

      假设存在一种等价关系运算符 ~ 满足上文的等价关系，则会出现问题：对任意 a 、b，是否 a~b。

解决问题的方法是声明一个二维布尔数组，类似于表格，其存储着每两个元素之间 ~ 关系。但是这种方法有着定义不明显且隐秘的缺点。

因此，出现了第二种解决问题的方法：鉴于满足等价关系 ~ 的元素有 传递性的性质， 那么对于 aRb , aRc，则能推出bRc。这一点是十分重要的，由于这个性质，在S中所有能够与 a 等价的元素均可以被规划在一起，形成一个等价类（ equivalence class) ，即在这个等价类中，所有的元素均等价，而在这个类外的元素均不与该类中的元素等价。

 则问题 a与b是否等价就变成了a与b是否在同一个等价类中。

 

分析输入数据最初是由 N 个集合（数学术语）组成的集合（将这些若干小集合放在一起，原文为 collection）时的问题。在前提每个集合含有一个元素，而同时这些小集合的元素之间关系均为 false ，则会得到Si∩Sj =Ø，其中Si和Sj分别代表不同的小集合。 进一步分析则会得到这些集合不相交（disjoint）的结果。 

 

对于这些集合，存在着两种运算：

Find: 返回包含给定元素的类；

添加关系 a~b：在添加之前，先通过Find a 和Find b，并且判断二者是否已经处于一个等价类中。若处于则不进行操作，相反。则进行Union操作。

Union操作：把含有 a 和 b 的两个等价类合并为一个新的等价类。即新建立一个集合Sk = Si∪Sj 并删除掉原来的集合 Si 和 Sj。

这项工作被称作 ：Union / Find 算法。以下对该算法做一介绍。

 

由于无论是大集合还是小集合，都可能因为Union算法发生改变，因此算法是动态的（dynamic)。

同时，这个算法也是联机的（on-line)。因为当Find执行时给出答案才能进行Union操作。

在此，再说明一种脱机（off-line)算法，以便于区分：该算法（脱机）观察所有的Union和Find序列。它对每个Find给出的答案必须和所有执行到该Find例程的Union一致。答案就相当于算法返回的结果，即在执行该算法后新得到的大集合。

由上面的操作，可以注意到：我们不会进行元素的值的比较，而只会知道其所在的等价类的名字。而对于仅当两个元素属于同一个等价类的情况下，作用在这两个元素的Find例程会返回相同的名字：即寻找a、b两个元素所属的等价类，则a、b属于同一个等价类的情况下，有：Find(a) =Find(b)。

解决动态等价问题有两种方法：

一（这种方法能够让Find例程最坏以常数运行时间运行）、

   首先，在一个数组中存储每一个等价类的名字，此时Find就是简单的O(1)查找。然而，对于Union(a,b)则不会那么简单：假设 a 在等价类 i 中而 b 在等价类 j 中。然后扫描该数组，将所有的 i 变为 j 。其中扫描花费时间 Θ（N）的时间，其中N为所有元素的数量。在最坏的情况下，即所有的元素中包含两个类，其中N-1个元素在等价类i中，另外一个在 j 中，那么则会连续进行N-1次Union操作。花费的时间就为Θ（N²）。若存在Ω（N²）次Find运算，则性能会很好，反之则所耗时间特别多。

二、将同一个等价类中的元素放在同一个链表中。

 

3、基本数据结构

现在讨论用 树 的形式实现该不相交ADT，则每一棵树则能表达一个等价类，同时用树的集合，即森林存储不同的等价类。而集合的名字则由根处的节点给出。同时，类似于链表的游标实现，我们也将此处的树存储在数组中，并有：数组中的每个成员P[ i ] 表示存储的元素为 i 的父亲。

下图给出了较为形象的例子。（图片来自：https://yq.aliyun.com/articles/297655）

但应当注意的是：下图中根节点存储的是树的深度。除了根之外，其他节点存储的其父亲的数组下标。

因为图中给出的是一种更为高级的方法，并不符合当前基本数据结构的描述。因此我们先假设根节点并没有存储树的深度，并对其进行简单的实现。

先考虑 Find 例程：对于特定元素X的Find例程，Find(X)返回包含树的根而完成，这表示Find例程运行的时间与X节点的深度成正比。

再考虑Union 例程：Union(a,b)合并两棵树，在例程中通过将一个接待你的根指向另一棵树的根节点来完成。

以下为C语言实现：、

#define NumSets 100

typedef int DisjSet[NumSets + 1];
typedef int SetType;
typedef int ElementType;
/*
DisjSet 是 the Disjoint Set 即 不相交ADT 的英文缩写
SetType是根节点的数组下标，而ElementType可以代表所有元素的数组下标，即SetType属于ElementType
注意： 对于元素（或者称作数组下标）X，S[X]存储着它的父亲的元素（或者说父亲的下标）
即我们可以把S[X]在此处看作求父节点下标的运算
*/
void Initialize(DisjSet S)
{
	int i;
	for (i = NumSets; i > 0; i--)S[i] = 0;
}

void SetUnion(DisjSet S, SetType Root1, SetType Root2)
{
	S[Root2] = Root1;
	//将第二个节点指向第一个节点
}

SetType Find(ElementType X, DisjSet S)
{
	if (S[X] <= 0)return X;          //当S[X]＝0时，下标X就是根
	else          return Find(S[X], S);// 否则，对他的父节点进行Find操作
}

使用不相交ADT时，时刻要弄清楚数组下标和数组下标存储的元素之间的关系，千万不要混淆概念。

即：对于元素，或者数组下标X，S[X]存储的是其父节点的数组下标，或者当X为根节点时，存储的是0。