数据结构，图_数据结构求图的中心顶点-CSDN博客

本文链接：https://blog.csdn.net/TNTnine/article/details/125031423

使用场景

我们假设旅游就是逐个省市进行，省市内的风景区不去细分，例如北京玩7天，天津玩3天，四川玩20天这样子。你现在需要做的就是制订一个规划方案，如何才能用最少的成本将所有省市都玩遍，这里所谓最少的成本是指交通成本与时间成本。如果你不善于规划，很有可能就会出现如玩好新疆后到海南，然后再冲向黑龙江这样的荒唐决策。但是即使是紧挨着省市游玩的方案也会存在很复杂的选择问题，比如游完湖北，周边有安徽、江西、湖南、重庆、陕西、河南等省市，你下一步怎么走最划算呢？

利用图数据结构就能去解决这个问题。

相关概念

无序图、无向边

若顶点vi到vj之间的边没有方向，则称这条边为无向边（Edge），用无序偶对(vi,vj)来表示。如果图中任意两个顶点之间的边都是无向边，则称该图为无向图（Undirected graphs）。

有向图、有向边

若从顶点vi到vj的边有方向，则称这条边为有向边，也称为弧（Arc）。用有序偶<vi,vj>来表示， vi称为弧尾（Tail）， vj称为弧头（Head）。如果图中任意两个顶点之间的边都是有向边，则称该图为有向图（Directed graphs）。

有向边和无向边的表示方法

无向边用小括号“()”表示，而有向边则是用尖括号“<>”表示。

度

对于无向图G=(V,{E})，如果边(v,v')∈ E，则称顶点v和v'互为邻接点（Adjacent），即v和v'相邻接。边(v,v')依附（incident）于顶点v和v'，或者说(v,v')与顶点v和v'相关联。顶点v的度（Degree）是和v相关联的边的数目，记为TD(v)。边数其实就是各顶点度数和的一半，多出的一半是因为重复两次记数。

强联通图、强连通分量

在有向图G中，如果对于每一对vi、 vj∈ V、 vi≠vj，从vi到vj和从vj到vi都存在路径（即：A可到D，D也可到A），），则称G是强连通图。有向图中的极大强连通子图称做有向图的强连通分量。

图的存储结构

邻接矩阵

此种方式是采用两个数组来表示图。为什么采用两个数组？由于图是由顶点的集合和边(或弧)的集合这两部分组成，一个一维数组用来存储顶点，一个二维数组来存储边的集合。其中这个二维数组就称为邻接矩阵。

假设图G有n个定点，则领接矩阵是一个n*n的方阵，定义为：

上面这个公式简单来理解就是，两个顶点之间有边存在，就记为1，没有边存在就记为0。

为什么是n*n的矩阵？

来看一个实例，下面的图是一个无向图：

这个矩阵对角线上的值都为0。

边数组或者4*4矩阵的由来：

        顶点v0没有边到自身，所以(v0,v0)的值就是0；从顶点v0到顶点v1是有边的，所以(v0,v1)的值就是1；以此类推，即得到了一个4*4的矩阵，而其中顶点之间有边就是1，无边就是0，这也是上图矩阵(边数组)里的值，1和0的由来原因。

v1的度为2是怎样推算出来的？

        实际上就是求的顶点v1到其他3个顶点的边的数量，这里根据上面这个矩阵得到v1的度计算过程为：1+0+1+0=2，这个v1的度为2就是这样推算出来的。

所以根据上面这个例子就可以得出无向图的边数组是一个n*n的对称矩阵。

        所谓对称矩阵就是n阶矩阵的元满足aij=aji，（0≤i,j≤n）。即从矩阵的左上角到右下角的主对角线为轴，右上角的元与左下角相对应的元全都是相等的。

得到这个矩阵过后，可以很轻易得到的结论：

某个顶点到其他顶点是否有边，有值即为1，没有则为0。

得到某个顶点的维度。如v1的维度就为：1+0+1+0=2。

得到某个顶点所有的相邻顶点，做法就是将这个矩阵扫描一遍，值为1就是相邻顶点，为0则不是。

有向图的计算过程和无向图差不多，这里不再说明，只列出一个图供参考：

网如何在矩阵中体现？

所谓网就是每条边上带有权的图叫做网。如何理解权，打个比方，假如把重庆和成都两地作为两个顶点，这两地之间的距离就是边，而具体从成都到重庆或者是成都到重庆，距离的长度或者坐交通工具到达另一地的所付出的成本就叫做权。

通过上面的讲解我们知道在图数据结构中，顶点与顶点之间的边，是利用邻接矩阵来存储，那么权是如何在这个矩阵中体现呢？

假设图G是网图，则邻接矩阵是一个n×n的方阵，定义为：这里wij表示（vi,vj）或<vi,vj>上的权值。 ∞表示一个计算机允许的、大于所有边上权值的值，也就是一个不可能的极限值。有同学会问，为什么不是0呢？原因在于权值wij大多数情况下是正值，但个别时候可能就是0，甚至有可能是负值。因此必须要用一个不可能的值来代表不存在。如下图，左边图就是一个有向网图，右图就是它的邻接矩阵。image-20220529100130030image-20220529100130030

邻接表

边数相对顶点较少的图如果采用邻接矩阵的存储结构，会造成存储空间的极大浪费。比如说下图这种稀疏有向图，邻接矩阵中除了arc[1][0](就是(v1,v0))有权值外，没有其他弧，其实这些存储空间都浪费掉了。针对这种情况，才诞生了邻接表这种存储结构。

邻接表存储结构是这样的：

无向图:

        图数据结构中的顶点采用一维数组存储（也可以采用链表来存储，不过数组在读取值方面更加方便，所以选择数组）。另外对于顶点数组中，每个数据元素还需要存储指向第一个相邻节点的指针，以便于查找该顶点的边信息。

        图数据结构中每个顶点Vi(表示顶点v1到vi的每一个顶点，这里的i表示第几个顶点)的所有相邻顶点构成一个线性表，由于相邻顶点的个数不确定，所以用单链表存储，无向图称为顶点Vi的边表，有向图称为顶点vi作为弧尾的出边表。

下面是一个无向图的邻接表存储结构：

        从上图中可以看出，顶点表的各个结点由data和firstedge两个域表示， data是数据域，存储顶点的信息， firstedge是指针域，指向边表的第一个结点，即此顶点的第一个相邻接点。边表结点由adjvex和next两个域组成。 adjvex是邻接点域，存储某顶点的相邻接点在顶点表中的下标， next则存储指向边表中下一个结点的指针。

        看过上面这段文字描述可能还会有点蒙，没关系我们再详细进行说明。主要是上图中

指针指向的1、2、3等等这样的数据是如何得到的呢？

首先我们知道图的所有顶点存储在一个一维数组里面，那么就是上图中所有顶点在数组中的下标分别是：v1为0，v2为1，v3为2，v4为3。v0的相邻接v1在存储顶点的一维数组中的下标为1，而v1的下一个相邻接点v2在存储接点的一维数组中的下标为2，而v2的相邻接点v3在存储节点的一维数组中的下标为3，所以就得到了指针指向的数字分别为1、2、3。

从邻接表存储结构中，我们可以得到什么？

某个顶点的度，可以通过查找这个顶点中边表中节点的个数。以上面无向图的邻接表存储结构为例：

要判断定点vi到vj（注意，这里的i和j是代表第几个顶点）是否存在边，只需要测试顶点vi的边表中adjvex中是否存在节点vj的下标j就型了。

若求顶点的所有邻接点，其实就是对此顶点的边表进行遍历，得到的adjvex域对应的顶点就是邻接点。

有向图：

        有向图，邻接表结构是和无序图是类似的。但要注意的是有向图由于有方向，我们是以顶点为弧尾来存储边表的，这样很容易就可以得到每个顶点的出度。

        但也有时为了便于确定顶点的入度或以顶点为弧头的弧，我们可以建立一个有向图的逆邻接表，即对每个顶点vi都建立一个链接为vi为弧头的表。

此时我们很容易就可以算出某个顶点的入度或出度是多少，判断两顶点是否存在弧也很容易实现。对于带权值的网图，可以在边表结点定义中再增加一个weight的数据域，存储权值信息即可，如下图所示。