最小生成树的两种实现

Kruskal算法的实现：

根据最一般的Kruskal 算法的实现原理，本人设计并实现的算法如下：首先在此算法中，选边的过程中，要首先对存在边按权值按非递减的顺序排列，以顺序判断并加入最小生成树边的集合。 因此设计数据结构：

typedef struct {

    int u, v;   //对应权值所对应的两顶点

    short w;    //权值

} myedge, *Eptr;

在此数据结构中，alg_edge 指向所有边的数据集合，为在堆上的一维数组，并对此数组用快速排序进行排序。得到的结果为选边并记录入 MST[g — >size-1] 这一存放最小生成树的数组做好准备。

对vertag 数组，首先标记各顶点属于不同的集合，亦即图中每个顶点属于不同的集合。然后自权值最小边开始，凡是顶点属于不同的集合的边均可选入，选入后，两顶点所属的不同集合，合并成一个集合，可以肯定在所有边都被检查一遍后，可被选入的边数为 V-1  ，以 V 表示图的顶点数。恰好 MST 数组记录的正是最小生成树的各边，因为边已按非递减的顺序检查。

快排虽然具有不稳定性，但对于最小生成树的找到无影响，因为最小生成树的权值相同，如果排列顺序变化均能，一方入最小生成树边，则说明最小生成树不唯一。

Prime算法的实现：

Prime算法极其类似 Dijikstra 算法，两者都要维护更新不在已知满足要求（分别对应可以加入最小生成树和已知最短路径）的顶点集合中顶点的 key 值，并且从中算出最小值，作为下一个找到的满足要求的顶点，且并入已知的满足要求顶点的集合。同时，唯一的区别是， Dijikstra 算法仅需知道对应顶点到源点的距离，而 Prime 算法则需知道对应顶点到已在最小生成树中各顶点的最小可能距离。两个 key 值都会随顶点的加入，同步更新，同时也是期望得到的结果数据集合中必不可少的数据之一。因此设计数据结构如下：

typedef struct {

    int ver;    //起始顶点

    int key;    //权值

    int end;    //对应权值所连接的顶点

} myvertex, *Vptr;

此时的数据中均有两个顶点，和一个权值，乍一看与Kruskal 算法的数据结构相似，但两者在运用时，初始化数组的出发点一个是权值 w ，另一个是顶点 ver ，亦即在建立选边的初始数据时， Kruskal 算法需要建立一个边数大小的数组，然后从中选边，然而 Prime 算法仅需建立一个顶点数大小的数组，然后从中选边，类似于 Dijikstra 算法；虽然最终选边的依据都是边权值（ Kruskal 算法的这一步在排序中体现）。