图论学习-从入门到跳楼

图论算法深度解析系列

前言：我们为什么要学习图论

在程序员的世界里，图论就像空气般无处不在却常被忽视。从社交网络的好友关系到编译器中的语法分析，从王者荣耀的路径寻找到推荐系统的用户画像，图论算法支撑着现代计算机科学的半壁江山。当你终于理解Dijkstra算法的精妙时，那种顿悟的快感会让你觉得之前的抓耳挠腮都是值得的！

（温馨提示：本文包含大量数学公式和代码示例，建议在电脑端阅读。深呼吸三次，让我们开始这段奇妙旅程）

---

第一章 图的基本概念

1.1 什么是图

数学上，一个图（Graph）$G$ 可以表示为二元组：

$$G=(V,E)$$

其中：

• $V$ 是顶点（Vertex）的集合，$|V|=n$ 表示顶点数
• $E$ 是边（Edge）的集合，$|E|=m$ 表示边数

经典比喻：如果把社交网络看作图，每个人就是顶点，好友关系就是边。微信的好友关系是无向图（互相是好友），微博的关注是有向图（可能单向关注）

1.2 图的分类

类型	特点	应用场景
无向图	边没有方向	社交网络、电路板布线
有向图	边有方向	网页链接、任务依赖
加权图	边带有权重	地图导航、网络流量
连通图	任意两顶点可达	通信网络
二分图	顶点分为两个集合	匹配问题、推荐系统

1.3 图的度（Degree）

对于顶点 $v$：

• 入度：指向该顶点的边数（有向图）
• 出度：从该顶点出发的边数（有向图）
• 度数：与该顶点相连的边数（无向图）

握手定理：在任意图中，所有顶点的度数之和等于边数的2倍

$$\sum _{v\in V}\mathrm{deg}(v)=2|E|$$

---

第二章 图的存储结构

2.1 邻接矩阵

class Graph:
    def __init__(self, num_vertices):
        self.matrix = [[0]*num_vertices for _ in range(num_vertices)]
        
    def add_edge(self, u, v, weight=1):
        self.matrix[u][v] = weight
        # 如果是无向图需要对称赋值
        self.matrix[v][u] = weight

时间复杂度：

• 查询是否存在边：$O(1)$
• 遍历相邻节点：$O(n)$
• 空间复杂度：$O(n^2)$

2.2 邻接表

from collections import defaultdict

class Graph:
    def __init__(self):
        self.adj_list = defaultdict(list)
    
    def add_edge(self, u, v, weight=1):
        self.adj_list[u].append((v, weight))
        # 无向图需要反向添加
        self.adj_list[v].append((u, weight))

时间复杂度：

• 查询是否存在边： O ( d ) O(d)