目录
深度优先遍历(Depth First Search)的主要思想是：
图（Graph）
G由顶点集合V(G)和边集合E(G)构成。顶点的编号为0～n-1。通过编号唯一确定一个顶点。
在图G中，如果代表边的顶点对是无序的，则称G为无向图。用圆括号序偶表示无向边。（0,1）
如果表示边的顶点对是有序的，则称G为有向图。用尖括号序偶表示有向边。<0,1>（通俗点讲有箭头的是有向图，无箭头的是无向图）
无向图：表示形式， 有向图：表示形式，
图：G1=（V1，E1）； 图：G2=（V2，E2）；
顶点：V1={0,1,2,3,4}； 顶点：V1={0,1,2,3,4}；
边：E1={(0,1),(0,3),(0,4),(1,2),(1,3),(2,3),(2,4),(3,4)}; 边：E2={<0,1>,<0,3>,<1,2>,<1,3>,<2,3>,<2,4>,<4,3>,<4,0>};
完全无向图：
对于无向图，若图中顶点数为n ，用e表示边的数目，则e [0，n(n-1)/2] 。具有n(n-1)/2条边的无向图称为完全无向图
另一种说法：即图中任意两个不同的顶点间都有一条无向边，这样的无向图称为完全无向图。
完全有向图：
对于有向图，若图中顶点数为n ，用e表示弧的数目，则e[0，n(n-1)] 。具有n(n-1)条边的有向图称为完全有向图。（是完全无向图边的2 倍）
另一种说法：即图中任意两个不同的顶点间都有一条弧，这样的有向图称为完全有向图。
有很少边或弧的图（e<n㏒n）的图称为稀疏图，反之称为稠密图。
权(Weight)：
与图的边和弧相关的数。权可以表示从一个顶点到另一个顶点的距离或耗费。
子图和生成子图：
设有图G1=(V1，E1)和G2=(V2，E2)，
若V2<V1且E2<E1 ，则称图G2是G1的子图；（顶点和边都不同）
若V2=V1且E2<E1，则称图G2是G1的一个生成子图。（顶点相同，边不同）
邻接点:
对于无向图G=(V，E)，若边(v,w)<E，则称顶点v和w 互为邻接点，即v和w相邻接。
边(v,w)依附(incident)于顶点v和w ，或者说顶点v和w “相关联” 。
度：
与顶点vi相关的边的条数称作顶点vi的度(degree)，记为TD(vi)。
在无向图中，所有顶点度的和是图中边的2倍。
对有向图G=(V，E)，若vi V ，图G中以vi作为起点的有向边(弧)的数目称为顶点vi的出度(Outdegree)，记为OD(vi) ；
以vi作为终点的有向边(弧)的数目称为顶点vi的入度(Indegree)，记为ID(vi) 。
顶点vi的出度与入度之和称为vi的度，记为TD(vi) 。即 TD(vi)=OD(vi)+ID(vi)（有向图中度=出度+入度）
生成树、生成森林：
一个连通图(无向图)的生成树是一个极小连通子图，它含有图中全部n个顶点和只有足以构成一棵树的n-1条边，称为图的生成树。
关于无向图的生成树的几个结论：
◆ 一棵有n个顶点的生成树有且仅有n-1条边；
◆ 如果一个图有n个顶点和小于n-1条边，则是非连通图；
◆如果多于n-1条边，则一定有环；
◆有n-1条边的图不一定是生成树。
网：
每个边(或弧)都附加一个权值的图，称为带权图。带权的连通图(包括弱连通的有向图)称为网或网络。
有向图的生成森林是这样一个子图，由若干棵有向树组成，含有图中全部顶点。
图的存储结构：
1：邻接矩阵存储：
G的邻接矩阵A是n阶方阵，其定义如下：
（1）如果G是无向图，则： A[i][j]=1：若(i，j)∈E(G) 0:其他
（2）如果G是有向图，则： A[i][j]=1：若<i，j>∈E(G) 0:其他
（3）如果G是带权无向图，则： A[i][j]= wij ：若i≠j且(i，j)∈E(G) 0：i=j ∞：其他
（4）如果G是带权有向图，则： A[i][j]= wij ：若i≠j且<i，j>∈E(G) 0：i=j ∞：其他
在无向图中，若<v,w>E(G) ，有<w,v>E(G) ，即E(G)是对称——解释
十字链表的画法
基本概念
十字链表（Orthogonal List)是有向图的另一种链式存储结构。该结构可以看成是将有向图的邻接表和逆邻接表结合起来得到的。
（画的时候最好写出入弧出弧，弧头弧尾，同弧头同弧尾）
- 入弧和出弧：入弧表示图中发出箭头的顶点，出弧表示箭头指向的顶点。
- 弧头和弧尾：弧尾表示图中发出箭头的顶点，弧头表示箭头指向的顶点。
- 同弧头和同弧尾：同弧头，弧头相同弧尾不同；同弧尾，弧头不同互为相同
深度优先遍历
深度优先遍历(Depth First Search)的主要思想是：
1、首先以一个未被访问过的顶点作为起始顶点，沿当前顶点的边走到未访问过的顶点；
2、当没有未访问过的顶点时，则回到上一个顶点，继续试探别的顶点，直至所有的顶点都被访问过。
在此我想用一句话来形容 “不到南墙不回头”。
1.1 无向图的深度优先遍历图解
以下"无向图"为例：
对上无向图进行深度优先遍历，从A开始：
第1步：访问A。
第2步：访问B(A的邻接点)。 在第1步访问A之后，接下来应该访问的是A的邻接点，即"B,D,F"中的一个。但在本文的实现中，顶点ABCDEFGH是按照顺序存储，B在"D和F"的前面，因此，先访问B。
第3步：访问G(B的邻接点)。 和B相连只有"G"(A已经访问过了)
第4步：访问E(G的邻接点)。 在第3步访问了B的邻接点G之后，接下来应该访问G的邻接点，即"E和H"中一个(B已经被访问过，就不算在内)。而由于E在H之前，先访问E。
第5步：访问C(E的邻接点)。 和E相连只有"C"(G已经访问过了)。
第6步：访问D(C的邻接点)。
第7步：访问H。因为D没有未被访问的邻接点；因此，一直回溯到访问G的另一个邻接点H。
第8步：访问(H的邻接点)F。
因此访问顺序是：A -> B -> G -> E -> C -> D -> H -> F
1.2 有向图的深度优先遍历
有向图的深度优先遍历图解：
对上有向图进行深度优先遍历，从A开始：
第1步：访问A。
第2步：访问(A的出度对应的字母)B。 在第1步访问A之后，接下来应该访问的是A的出度对应字母，即"B,C,F"中的一个。但在本文的实现中，顶点ABCDEFGH是按照顺序存储，B在"C和F"的前面，因此，先访问B。
第3步：访问(B的出度对应的字母)F。 B的出度对应字母只有F。
第4步：访问H(F的出度对应的字母)。 F的出度对应字母只有H。
第5步：访问(H的出度对应的字母)G。
第6步：访问(G的出度对应字母)E。 在第5步访问G之后，接下来应该访问的是G的出度对应字母，即"B,C,E"中的一个。但在本文的实现中，顶点B已经访问了，由于C在E前面，所以先访问C。
第7步：访问(C的出度对应的字母)D。
第8步：访问(C的出度对应字母)D。 在第7步访问C之后，接下来应该访问的是C的出度对应字母，即"B,D"中的一个。但在本文的实现中，顶点B已经访问了，所以访问D。
第9步：访问E。D无出度，所以一直回溯到G对应的另一个出度E。
因此访问顺序是：A -> B -> F -> H -> G -> C -> D -> E
图的深度优先遍历(DFS)和广度优先遍历(BFS)算法分析 - Hi,Bro - 博客园
广度优先遍历
基础概念及图解
概念：
广度优先遍历算法是图的另一种基本遍历算法，其基本思想是尽最大程度辐射能够覆盖的节点，并对其进行访问。
以迷宫为例，广度优先搜索则可以想象成一组人一起朝不同的方向走迷宫，当出现新的未走过的路的时候，可以理解成一个人有分身术，继续从不同的方向走，，当相遇的时候则是合二为一
自我理解：
正如老师上课所说的，广度优先遍历就像在平静的湖面丢入一块石头，荡起的波纹，从离起始点最近的先开始遍历，同样距离的前后顺序可以交换，如果有环状结构，那遍历过的，就可以跳过，不用重复遍历。
例子解析
例子1：
1.从起点0开始遍历
2.从其邻接表得到所有的邻接节点，把这三个节点都进行标记，表示已经访问过了
3.从0的邻接表的第一个顶点2开始寻找新的叉路
4.查询顶点2的邻接表，并将其所有的邻接节点都标记为已访问
5.继续从顶点0的邻接表的第二个节点，也就是顶点1，遍历从顶点1开始
6.查询顶点1的邻接表的所有邻接节点，也就是顶点0和顶点2，发现这两个顶点都被访问过了，顶点1返回
7.从顶点0的下一个邻接节点，也就是顶点5，开始遍历
8.查询顶点5的邻接节点，发现其邻接节点3和0都被访问过了，顶点5返回
9.继续从2的下一个邻接节点3开始遍历
10.寻找顶点3的邻接节点，发现都被访问过了，顶点3返回
11.继续寻找顶点2的下一个邻接节点4，发现4的所有邻接节点都被访问过了，顶点4返回
12.顶点2的所有邻接节点都放过了，顶点2返回，遍历结束
普里姆算法(Prim算法)求最小生成树
通过前面的学习，对于含有 n 个顶点的连通图来说可能包含有多种生成树，例如图 1 所示：
图 1 连通图的生成树
图 1 中的连通图和它相对应的生成树，可以用于解决实际生活中的问题：假设A、B、C 和 D 为 4 座城市，为了方便生产生活，要为这 4 座城市建立通信。对于 4 个城市来讲，本着节约经费的原则，只需要建立 3 个通信线路即可，就如图 1（b）中的任意一种方式。
在具体选择采用（b）中哪一种方式时，需要综合考虑城市之间间隔的距离，建设通信线路的难度等各种因素，将这些因素综合起来用一个数值表示，当作这条线路的权值。
图 2 无向网
假设通过综合分析，城市之间的权值如图 2（a）所示，对于（b）的方案中，选择权值总和为 7 的两种方案最节约经费。
这就是本节要讨论的最小生成树的问题，简单得理解就是给定一个带有权值的连通图（连通网），如何从众多的生成树中筛选出权值总和最小的生成树，即为该图的最小生成树。
给定一个连通网，求最小生成树的方法有：普里姆（Prim）算法和克鲁斯卡尔（Kruskal）算法。
普里姆算法
普里姆算法在找最小生成树时，将顶点分为两类，一类是在查找的过程中已经包含在树中的（假设为 A 类），剩下的是另一类（假设为 B 类）。
对于给定的连通网，起始状态全部顶点都归为 B 类。在找最小生成树时，选定任意一个顶点作为起始点，并将之从 B 类移至 A 类；然后找出 B 类中到 A 类中的顶点之间权值最小的顶点，将之从 B 类移至 A 类，如此重复，直到 B 类中没有顶点为止。所走过的顶点和边就是该连通图的最小生成树。
例如，通过普里姆算法查找图 2（a）的最小生成树的步骤为：
假如从顶点A出发，顶点 B、C、D 到顶点 A 的权值分别为 2、4、2，所以，对于顶点 A 来说，顶点 B 和顶点 D 到 A 的权值最小，假设先找到的顶点 B：
继续分析顶点 C 和 D，顶点 C 到 B 的权值为 3，到 A 的权值为 4；顶点 D 到 A 的权值为 2，到 B 的权值为无穷大（如果之间没有直接通路，设定权值为无穷大）。所以顶点 D 到 A 的权值最小：
最后，只剩下顶点 C，到 A 的权值为 4，到 B 的权值和到 D 的权值一样大，为 3。所以该连通图有两个最小生成树：
狄克斯特拉算法：
这个人讲的还不错：
Dijkstra(迪杰斯特拉)算法理解_哔哩哔哩_bilibili
1.定义：
广度优先算法可以找出段数最少的路径，但是对于路径上带权重的图，想要找出最快的路径，则需要使用狄克斯特拉算法。
2.原理
为了说明狄克斯特拉算法的原理，使用换钢琴的的例子来做说明.
假设Rama想拿自己的乐谱换架钢琴：
Alex说：“这是我最喜欢的乐队Destroyer的海报，我愿意拿它换你的乐谱。
如果你再加5美元，还可拿乐谱换我这张稀有的Rick Astley黑胶唱片。”
Amy说：“哇，我听说这张黑胶唱片里有首非常好听的歌曲，我愿意拿我的吉他或架子鼓换这张海报或黑胶唱片。
Beethoven惊呼：“我一直想要吉他，我愿意拿我的钢琴换Amy的吉他或架子鼓。”
商品兑换的关系如下：
现在需要确定，Rama如何才能以最少的钱换到他想要的钢琴。
狄克斯特拉算法解决问题的思路主要包括以下四步：
找出最便宜的节点，即可用最便宜的价格可前往的节点。
对于该节点的邻居，检查是否有前往它们的更短路径，如果有，就更新其开销。
重复这个过程，直到对图中的每个节点都这样做了。
计算最终路径
A：乐谱，B：唱片，C：海报，D：吉他，E：架子鼓，F：钢琴
在举例一下：巩固一下
拓扑排序：
https://blog.csdn.net/qq_38984851/article/details/82844186
1、定义
对一个有向无环图(Directed Acyclic Graph简称DAG) G进行拓扑排序，是将G中所有顶点排成一个线性序列，使得图中任意一对顶点u和v，若边(u,v)∈E(G)，则u在线性序列中出现在v之前。通常，这样的线性序列称为满足拓扑次序(Topological Order)的序列，简称拓扑序列。简单的说，由某个集合上的一个偏序得到该集合上的一个全序，这个操作称之为拓扑排序。
在AOV网中，若不存在回路，则所有活动可排列成一个线性序列，使得每个活动的所有前驱活动都排在该活动的前面，我们把此序列叫做拓扑序列(Topological order)，由AOV网构造拓扑序列的过程叫做拓扑排序(Topological sort)。AOV网的拓扑序列不是唯一的，满足上述定义的任一线性序列都称作它的拓扑序列。
2、拓扑排序的实现步骤
在有向图中选一个没有前驱的顶点并且输出
从图中删除该顶点和所有以它为尾的弧（白话就是：删除所有和它有关的边）
重复上述两步，直至所有顶点输出，或者当前图中不存在无前驱的顶点为止，后者代表我们的有向图是有环的，因此，也可以通过拓扑排序来判断一个图是否有环。
3、拓扑排序示例手动实现
如果我们有如下的一个有向无环图，我们需要对这个图的顶点进行拓扑排序，过程如下：
首先，我们发现V6和v1是没有前驱的，所以我们就随机选去一个输出，我们先输出V6，删除和V6有关的边，得到如下图结果：
然后，我们继续寻找没有前驱的顶点，发现V1没有前驱，所以输出V1，删除和V1有关的边，得到下图的结果：
然后，我们又发现V4和V3都是没有前驱的，那么我们就随机选取一个顶点输出（具体看你实现的算法和图存储结构），我们输出V4，得到如下图结果：
然后，我们输出没有前驱的顶点V3，得到如下结果：
然后，我们分别输出V5和V2，最后全部顶点输出完成，该图的一个拓扑序列为：
v6–>v1—->v4—>v3—>v5—>v2
过程简述：
从 DAG 图中选择一个 没有前驱（即入度为0）的顶点并输出。
从图中删除该顶点和所有以它为起点的有向边。
重复 1 和 2 直到当前的 DAG 图为空或当前图中不存在无前驱的顶点为止。若当前图中不存在无前驱的顶点说明有向图中必存在环。
关键路径：
图——关键路径_fu_jian_ping的博客-CSDN博客_关键路径
从AOE网中源点到汇点的最长路径，具有最大长度的路径叫关键路径。
关键路径是由关键活动构成的，关键路径可能不唯一。
AOE网示例图：
AOE网：在一个表示工程的带权有向图中，用顶点表示事件（如V0），用有向边表示活动（如<v0,v1> = a1），边上的权值表示活动的持续时间，称这样的有向图为边表示的活动的网，简称AOE网（activity on edge network）
源点：
在AOE网中，没有入边的顶点称为源点；如顶点V0
终点：
在AOE网中，没有出边的顶点称为终点；如顶点V3
AOE网的性质：
【1】只有在进入某顶点的活动都已经结束，该顶点所代表的事件才发生；
例如：a1和a2活动都结束了，顶点V2所代表的事件才会发生。
【2】只有在某顶点所代表的事件发生后，从该顶点出发的各活动才开始；
例如：只有顶点V1所代表的事件结束之后，活动a2和a4才会开始。
在AOE网中，所有活动都完成才能到达终点，因此完成整个工程所必须花费的时间（即最短工期）应该为源点到终点的最大路径长度。具有最大路径长度的路径称为关键路径。关键路径上的活动称为关键活动：
事件的最早发生时间：ve[k]
根据AOE网的性质，只有进入Vk的所有活动<Vj, Vk>都结束，Vk代表的事件才能发生，而活动<Vj, Vk>的最早结束时间为ve[j]+len<Vj, Vk>。所以，计算Vk的最早发生时间的方法为：
ve[0] = 0
ve[k] = max(ve[j] + len<Vj, Vk>)
事件的最迟发生时间：vl[k]
vl[k]是指在不推迟整个工期的前提下，事件Vk允许的最迟发生时间。根据AOE网的性质，只有顶点Vk代表的事件发生，从Vk出发的活动<Vk, Vj>才能开始，而活动<Vk, Vj>的最晚开始时间为 vl[k] = vl[j] - len<Vk, Vj>。
活动的最早发生时间：ee[i]
ai由有向边<Vk, Vj>，根据AOE网的性质，只有顶点Vk代表的事件发生，活动ai才能开始，即活动ai的最早开始时间等于事件Vk的最早开始时间。
活动的最迟发生时间：el[i]
el[i]是指在不推迟真个工期的前提下，活动ai必须开始的最晚时间。若活动ai由有向边<Vk, Vj>表示，则ai的最晚开始时间要保证事件vj的最迟发生时间不拖后。
案例：
原始AOE网：
事件的最早发生时间：ve[k]
从源点向终点方向计算
ve[0] = 0
ve[1] = ve[0] + a0 = 0 + 4 = 4
ve[2] = max( ve[0] + a1, ve[1] + a2 ) = max(0 + 3, 4 + 2 = 6
ve[3] = max(ve[1] + a4, ve[2] + a3) = max(4 + 6, 3 + 4) = 10
事件的最迟发生时间：vl[k]
从终点向源点方向计算
vl[3] = ve[3] = 10
vl[2] = vl[3] - a3 = 10 - 4 = 6
vl[1] = min(vl[3] - a4, vl[2] - a2) = min(10-6, 6-2) = 4
vl[0] = min(vl[2] - a1, vl[1] - a0) = min(4-4, 4-2) = 0
活动的最早发生时间：ee[i]
共有五个活动：
ee[0] = ve[0] = 0
ee[1] = ve[0] = 0
ee[2] = ve[1] = 4
ee[3] = ve[2] = 6
ee[4] = ve[1] = 4
活动的最迟发生时间：el[i]
el[0] = v[1] - a0 = 4 - 4 = 0
el[1] = vl[2] - a1 = 6 - 3 = 3
el[2] = vl[2] - a2 = 6 - 2 = 4
el[3] = vl[3] - a3 = 10 - 4 = 6
el[4] = vl[3] - a4 = 10 - 6 = 4
活动的最早开始时间和最晚开始时间相等，则说明该活动时属于关键路径上的活动，即关键活动。
经过比较，得出关键活动有：a0, a2, a3, a4，画出示意图如下：
该AOE网有两条关键路径。
所以，通过此案例也可以发现，一个AOE网的关键路径可能有多条。
2461
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
