图

图（Graph）是一种较线性表和树更为复杂的数据结构。

基本概念：

有向图：由顶点集和弧集构成的图称为有向图。

无向图：由顶点集和边集构成的图称为无向图。

有向网或无向网：有向图或无向图中的弧或边带权后的图分别称为有向网或无向网。

完全图：图中有n个顶点，n(n-1)/2条边的无向图称为完全图。

有向完全图：图中有n个顶点，n(n-1)条弧的有向图称为有向完全图。

稀疏图：假设图中有n个顶点e条边（或弧），若边（或弧）的个数e<nlogn，则称为稀疏图。否则称为稠密图。

邻接点：若无向图中顶点v和w之间存在一条边（v,w），则称顶点v和w互为邻接点，称边（v,w）依附于顶点v和w或边（v,w）与顶点v和w相关联。

顶点的度：在无向图中的顶点v关联的边的数组定义为v的度，记作TD（v）。

简单路径：顶点不重复的路径称为简单路径。

回路：首尾顶点相同的路径称为回路。

简单回路：除了首尾顶点，中间任何一个顶点都不重复的回路称为简单回路。

连通图：在无向图中，若顶点Vi到Vj有路径存在，则称Vi和Vj是连通的。若无向图中任意两个顶点之间都有路径想通，既是连通的，则称此图为连通图；否则，称其为非连通图。无向图中各个极大连通子图称为该连通的连通分量。

强连通图：在有向图中，若任意两个顶点之间都存在一条有向路径，则称此有向图为强连通图。否则，称其为非强连通图。有向图中各个极大强连接子图称为该图的强连通分量。

生成树：包含连接图中全部顶点的极小连通子图称为该树的生成树，即假设一个连通图有n个顶点和e条边，其中n个顶点和n-1条边构成一个极小连通图，该极小连通子图为此连通图的生成树。对非连通图，由各个连通分量的生成树构成的集合称为该非连通图的生成树。

图的存储：

邻接矩阵：图的邻接矩阵是表示顶点之间相邻关系的矩阵，是顺序结构，故也称为数组表示法。

特点：1、存储空间，由于无向图的邻接矩阵是对称矩阵，采用特殊矩阵的压缩存储，即下三角矩阵即可完成。因为，具有n个顶点的无向图，只需要n(n-1)/2个空间即可。但是，对于有向图而言，邻接矩阵不一定是对称的，所以仍然需要n^2个空间。2、运算，采用邻接矩阵可以方便的判定图或网中顶点与顶点之间是否有关联，即根据矩阵中元素的值可直接判定。另外，对于求解各个顶点的度也是非常方便的。

邻接表：当图中的边（或弧）数远远小于图中的顶点树时，即为稀疏图时，邻接矩阵就成为稀疏矩阵，此时用邻接矩阵存储图就会造成空间浪费。一个较好的解决方法就是采用邻接表。

特点：1、存储空间，对于有n个顶点e条边的无向图，采用邻接表存储，需要n个表头结点和2e个表结点。显然，在稀疏矩阵中，用邻接表比邻接矩阵的存储空间要节省。2、运算，对于无向图，TD（Vi）=第i个单链表上结点的个数，对于有向图（网），OD（Vi）=第i个单链表上结点的个数，但是要求第i个结点的入度ID，必须遍历整个邻接表，统计该结点出现的次数。显然，这种操作耗费时间较大。为了方便这类操作，可以为图建立一个逆邻接表。逆邻接表的结构与邻接表完全相同，只是边表的每个结点存放的是该顶点通过入度弧所邻接的所有顶点。

十字链表

多重链表

图的遍历：

深度优先搜索遍历（Depth-First Search，DFS）：深度优先搜索遍历是类似树的先序遍历。尽可能先对纵深方向进行搜索。基本思想为从图中某个顶点V0出发，访问此顶点，然后依次从V0的各个未被访问的邻接点出发深度优先搜索遍历图，直至图中所有和V0有路径相同的顶点都被访问到，若是连通图，则遍历过程结束；否则，图中还有顶点未被访问，则另选图中一个未被访问的顶点作为新的出发点，重复上述过程，直至图中所有顶点都被访问到。

广度优先搜索遍历（Breadth-First Search，BFS）：图的广度优先搜索遍历类似于树的按层次遍历。基本思想为从图中的某个顶点V0出发，在访问此顶点之后一次访问V0的所有未被访问的邻接点，之后按照这些邻接点被访问的先后次序依次访问它们的邻接点，直至图中所有和V0有路径相通的顶点都被访问到。若此图中尚有顶点未被访问到，则另选图中一个未被访问的顶点作为新的出发点，重复上述过程，直至图中所有顶点都被访问到。

*可以利用图的遍历搜索过程来判断一个图是否连通，如果在遍历的过程中，不止一次调用搜索过程，则说明该图是一个非连接图，而且调用几次遍历过程，说明该图有几个连通分量。

最小（代价）生成树：

Prim算法（也称加点法）：

基本思想：从连接网络N={v,E}中的某一顶点u0出发，选择与他关联的具有最小权值的边（u0,v），将其顶点加入到最小生成树的顶点集合U中。以后每一步从一个顶点在U中，而另一个顶点不在U中的各条边中选择权值最小的边（u，v），把它的顶点加入到集点V中，这意味着（u，v）也加入到生成树的边集合中。如此下去，直到网络中的所有顶点都加入到生成树顶点集合U中为止。

Kruskal算法（也称加边法）：

基本思想：先构造一个含有n个顶点的子图SG，然后从权值最小的边开始，若它的添加不是SG中产生回路，则在SG上加上该边，依次按照权值递增的次序，选择合适的边进行添加，如此重复，直至加完n-1条边为止。

拓扑排序：

I、从有向图中选取一个没有前驱的顶点并输出之。

II、从有向图中删去该顶点以及所有以它为尾的弧。

重复上述两步，直至图空（不存在回路），或者图不空但找不到无前驱的顶点为止（存在回路）。可见，拓扑排序可以检测有向图中是否存在回路。由于可能同时存在多个没有前驱的顶点，因而拓扑序列是不唯一的，但是一旦存储结构及算法确定，拓扑序列就是唯一确定的。

具体实现：采用邻接表作为存储结构，将寻找没有前驱结点的顶点转化为寻找入度为0的顶点，删除以该顶点为弧尾的顶点转化为将该顶点的入度减1.由此，可看出整个算法的关键始终和顶点的入度值相关联。因而，必须时刻记录每个顶点当前的入度值，为此，设置一个辅助数组indegree[]用来记录每个顶点的入度值。该数组元素值都为0，通过扫描邻接表的各条链，遇到顶点Vi，便将对应的indegree[i]值加1，最终获得该图中每个顶点的入度值。

关键路径：

网中仅有一个入度为0的顶点为源点，表示工程开始；也仅有一个出度为0的顶点称为汇点，表示工程的结束。

从源点到汇点之间可能有很多条路径。这些路径中具有最长路径长度的路径被称为关键路径。

ve(j)--事件（顶点）的最早发生时间：从源点到顶点j的最长路径。ve(0)=0。

vl(i)--事件（顶点）的最迟发生时间：从顶点i到汇点的最短路径长度。vl(n)=ve(n)。

最短路径：

单源最短路径问题（Dijkstra算法）：

算法思想：

I、初始时，集合S中仅包含源点V0，集合V-S中包含除源点v0以外的所有顶点，v0到V-S中各顶点的路径长度或者为某个权值（如果它们之间有弧相连），或者为正无穷（没有弧相连）。

II、按照最短路径长度递增的次序，从集合V-S中选出到顶点v0路径长度最短的顶点vk加入到集合S中。

III、加入vk之后，为了寻找下一个最短路径，必须修改从v0到集合V-S中剩余所有顶点vi的最短路径。若在路径上加入vk之后，使得v0到vi的路径长度比原来没有加入vk时的路径长度短，则修正v0到vi的路径长度为其中短的。

IV、重复以上步骤，直至集合V-S中的顶点全部加入到集合S中为止。

每对顶点之间的最短路径问题（Floyd算法）：

由已经介绍的Dijkstra算法也可以解决每对顶点之间的最短路径问题，只需要每次以一个顶点作为源点，重复调用Dijkstra算法n次即可。显然，这样执行下来的时间复杂度将达到O(n^3)。解决这个问题还有一个比较直接的算法——Floyd算法。这个算法属于典型的动态规划算法，先自底向上分别求解子问题的解，然后由这些子问题的解得到原问题的解。虽然这个算法的时间复杂度也达到了O(n^3)，但是形式相对简单一些。