Graphs part1

在cs 领域， 许多的applications都和graphs 有着密不可分的关系。 本章我们学习如何去implement一个graph， 以及如何去manipulate(处理) graphs.

Introduction

1736 年， 在Konigsberg小镇上提出了一个著名的七桥问题。

河流将陆地分割成了四个区域（A, B, C, D）, 这四个land areas 被7座桥连接起来。 这七座桥标记为a, b, c, d, e, f, g。

Konigsberg bridge problem 如下：

从一个陆地区域开始， 能否walk across all the bridge once and return to the starting land area?

欧拉回答了这个问题， 伟大的数学家欧拉这个问题没有解。并创立了图论。

欧拉将该问题用graph 表达如下：

 

如今， 200多年过去了， 图论现在广泛应用于多个领域， 这里不再赘述。 下面我们说说graph 在计算机科学领域的应用。

 

图的定义

一个graph G, 是由两个集合对（pair）组成： G = （V， E）， 其中V是有限非空集合， 被称为Vertices  set graph(图的节点集合)， E被称为the edges set f the graph(图的边集合， 也就是边集合的每一个元素均是V的pairs of elements。

我们可以用V（G）代表图G的节点集合， E（G）代表图G的边集合。 

如果E的元素是ordered pairs， 我们就称G为digraph（有向图）， 否则， 我们称G无无向图。

对于有向图， the pairs (u, v)和pairs (v, u) 是两个不同的边， 然而对于无向图， （u， v）和（v, u）是相同的边。 其中u, v是来自于节点集合V的

节点。

 

graph  H是graph G 的子图 如果满足条件： 和。

也就是说，图H的每一个节点都是G的节点， 图H的每一个边都是G的边， 反之不成立。

 

下图表示无向图：

如下图有向图：

 

对于上面的的几个有向图， 我们得到如下的与图相对应的节点集合和边集合：

 

令 G是无向图， u 和 v是Ｇ的两个节点。　如果u 和 v 之间有一个边， 也就是（u, v）∈E, 我们就说u 和v 是邻接的（adjacent）。

如果一个边incident on a single vertex, 我们就说这事一个loop。 如果两个边e1, e2是由两个相同的节点{u, v} 组成， 我们就说e1 和 e2 是parallel edges。

一个graph 如果没有loops和parallel edges,我们就称这个图为simple graph(简单图）。e = (u, v) 是G的一个边， 我们就说边e is incident on the vertices

u and v。 节点u的度（degree）， 记为deg(u), 或者d(u), 定义为incident with u的边的数目。 如果u有一个loop， 那么就会对该节点的度贡献2。 如果deg(u)的值为

偶数（奇数）， 我们就称u 是偶的（奇的）。

如果经过一个节点序列u1, u2, ...un, 其中u= u1, un = v, (ui, ui+1)是一个边， 其中i = 1, 2, 3, ...n-1, 我们就说节点u 和节点v 之间有一条路径（path）。

或者说节点u 和v 是相连的（connected）。一个simple path的所有除了初始和最后一个节点外， 之间的节点都是distinct的， 我们就说这事一个simple

path。 一个cycle 是G中的一个simple path， 尽管最后一个节点和起始节点是相同的。

如果G中的任何两个节点之间都有一个path， 我们就说G是connected的。 A maximal subset(极大子集合) of connected vertices is called a component

of G。

 

 

对于当G是digraph 的时候， 如果（u, v） ∈E， 我们就说u is adjacent to v and v is adjacent from u。 path和cycles 的定义和无向图中的定义相似。

如果任何两个节点是connected, 我们就说图G是strongly connected。

  

例如， 上图中， 在G1中， 1-4-5 是from vertex 1 to vertex5的一个path。 G1中没有cycles. 在G2中， 1-2-1是一个cycles。 在G3中， 0-1-2-4-3是一个from vertex 1 to vertex 5的path。 等等， G3中也没有cycles.

 

 

Graph representation

为了编写程序处理图， 我们的图必须存储在计算机内存中。 也就是说， 必须表示出我们的graph.

主要有两种表示图的方法， 一种是使用邻接矩阵（adjacency matrices）, 另一种是Adjacency Lists。 

 （1）Adjacency Matrices(邻接矩阵)

假设我们的graph 具有n个vertices: V（G） = {v1, v2, ..., vn}。这个图可以用邻接矩阵表示出来。 那么我们的邻接矩阵就是一个n x n的二维矩阵， 记为AG。

如果from vi to vj 之间有一个edge， 我们就记矩阵AG的（i，j）元素为1， 否则， 两个节点没有边直接相连， 我们记（i, j）元素为0。

数学表达式如下：

对于无向图， 不难看出， 只要（vi, vj）∈E（G）， 就有（vj, vi）∈E（G）, 也就是说， AG（i, j） = AG(j, i)。 所以， 多余无向图来说， 与之对应的邻接矩阵是对称的（symmetric）.。

例如：下面的两个graph 对应的邻接矩阵：

下面给出使用邻接矩阵表示图的有缺点：

Pros:

representations is easier to implement(实现起来更容易)， 去掉一个边仅需要花费的时间我O（1）（常数时间)。

查找节点（u，v） 之间时候有一个边， 仅需要花费O(1)(常数时间)。

Cons:需要花费的内存空间太大， 需要O（V^2）。 我们的图是sparse的时候， 也需要耗费相同的内存。 另外添加一个新的Vertex到图中， 需要花费的时间为O(V^2)。

 

为了克服邻接矩阵耗费内存的缺点， 下面给出图的另一种表示方法邻接链表（Adjacency Lists）。

 

Adjacency List.

假设我们的graph 具有n个vertices: V（G） = {v1, v2, ..., vn}。这个图可以用邻接链表表示出来。

对应于G的每一个vertices v， 都对应一个linked list, 这个linked list的每一个node 都包含一个节点u， 满足 （v, u）∈E（G）。 也就是说这个linked list 中存贮这所有与这个节点（vertices）对应的相邻的（adjacent） vertices。 由于共有n个vertices, 所以我们需要一个size 为n 的数组A， such that A[i] 是一个Reference variable(别名变量) pointing to the first node of the linked list containing the vertices to which vi is adjacent。 很明显， linked list 的每一个node 都有两个components, 即vertex 和link。  the component vertex 含有与vertex i 邻接的vertex。

举个例子：

下面的graph对应的Adjacency list: