图的最小生成树学习笔记

  对一个连通图G=(V,E)，每条边到实数R的映射为w，我们可以构造生成树T=(V,E')，其中E'是E的子集，w(T)=w(e1)+w(e2)+...+w(en)，ei属于E'。而图的最小生成树问题则是寻找这一系列生成树中，w(T)最小的那棵，即为图的最小生成树MST。

  所有关于最小生成树的算法都涉及贪心算法，即局部最优会得到全局最优。

  算法的中心思想是，去掉MST中的某条边e，MST分成两个部分T1,T2,则T1,T2是由其各自顶点所引导的子图的MST，并且对所有连接T1,T2的边ei，w(e)<=w(ei)。

(1)Prim算法

  从一个顶点开始，依次加入距离当前生成树的最近的点，以及其对应的边。

  dist[i]表示第i个点到当前T的最短边的长度,e(i)表示第i个点连接当前T的最短边。

Procedure PRIM(G,w;T)

dist[1]=0,S=empty,T=empty

for i=2 to n:

    dist[i]=INF

    prev[i]=NONE

while S!=V:

    choose i in V-S such that dist[i] is minimal:

        S=S+{i}

    if i!=1:

        T=T+{e(i)}

    for j in A[i] and in V-S:

        if dist[j]>w(ij):

            dist[j]=w(ij)

            e[j]=e(i,j)

  如果在选择最小的dist[i]时用线性查找，则该算法的复杂度为O(|V|*|V|)，而采用以dist为key的priority_queue可以降低算法复杂度。

Procedure PRIM(G,w;T)

dist[1]=0,priority_queue Q=empty,T=empty

for i=2 to n:

    dist[i]=INF

Q.push(1)

while(Q is not empty):

    i=Q.front()

    Q.pop()

    S=S+{i}

    if i!=1:

        T=T+{e(i)}

    for j in A[i] and in V-S:

        if dist[j]>w(ij):

            dist[j]=w(ij)

            e[j]=e(i,j)

  算法的复杂度为O(|V|log|V|)

(2)Kruskal算法

  依次加入当前连接不同块的最短边。确定不同块需要数据结构disjoint set。

Procedure KRUSKAL(G,w;T)

T=empty

for i=1 to n:

    Vi={i}

put E into a priority_queue Q with priority function w

while Q is not emmpty:

    e=Q.front()

    Q.pop()

    u,v is the vertices of e

    find the components Vu and Vv containing u and v

    if Vu!=Vv:

        merge(Vu,Vv)

        T=T+{e}

  算法的复杂度为O(|E|log|E|)