文章目录
1. 基本介绍
图是一种数据结构,其中结点可以有零个或多个相邻元素,两个结点之间的连接称为边。结点也可以称为顶点。
关于图的常用概念:
路径:一个顶点到另一个顶点需要经历的边,如下图从B->E的路径有:
(1) B->D->E
(2) B->A->D->E
无向图:顶点之间的连接没有方向,比如A->B,也可以是B->A。
一个基本的无向图结构如下图所示:
有向图:顶点之间的连接有方向,比如从A到B的路径,只能是A->B,不能是B->A。有向图如图所示:
带权图:边上带有权值的图,带权图也叫网。带权图示例:
2. 图的表示方式
图的表示方式有两种:邻接矩阵(二维数组表示)和邻接表(链表表示)
2.1 邻接矩阵
2.1.1 基本介绍
邻接矩阵是表示图形中顶点之间相邻关系的矩阵,对于n个顶点的图而言,矩阵的行(下标用i表示)、列(下标用j表示),(i,j)的值表示横坐标为i的点和纵坐标为j的点是否有连接,1表示有连接,0表示无连接。邻接矩阵示例:
说明:
标记为0的顶点与1顶点相关联,和5顶点不关联
2.1.2 代码实现
用代码实现邻接矩阵表示下面这个图:
完整代码:
public class Graph {
/**
* 顶点集合
*/
private ArrayList<String> vertexList;
/**
* 存储图对应的邻接矩阵
*/
private int[][] edges;
/**
* 边界的数量
*/
private int edgeNum;
public Graph(int n){
vertexList=new ArrayList<>(n);
edges=new int[n][n];
edgeNum=0;
}
/**
* 插入顶点到vertexList
* @param vertex
*/
public void insertVertex(String vertex){
vertexList.add(vertex);
}
/**
* 添加边
* @param v1 顶点在edges的下标
* @param v2
* @param weight 1或0,1表示有连接,0表示无连接
*/
public void insertEdge(int v1,int v2,int weight){
edges[v1][v2]=weight;
edges[v2][v1]=weight;
edgeNum++;
}
/**
* 返回结点的数量
* @return
*/
public int getVertexNum(){
return vertexList.size();
}
/**
* 得到图的边数量
* @return
*/
public int getEdgeNum(){
return edgeNum;
}
/**
* 通过下标获取结点对应的数据
* @param index
* @return
*/
public String getVauleByIndex(int index){
return vertexList.get(index);
}
/**
* 返回v1和v2之间的权值
* @param v1
* @param v2
* @return
*/
public int getWeight(int v1, int v2){
return edges[v1][v2];
}
/**
* 显示矩阵
*/
public void showGraph(){
for (int[] edge : edges) {
System.out.println(Arrays.toString(edge));
}
}
public static void main(String[] args) {
String[] vertexes={"A","B","C","D","E"};
int size=5;
Graph graph = new Graph(size);
//插入顶点
for (String vertex : vertexes) {
graph.insertVertex(vertex);
}
//添加边
//A-B
graph.insertEdge(0,1,1);
//A-C
graph.insertEdge(0,2,1);
//B-C
graph.insertEdge(1,2,1);
//B-D
graph.insertEdge(1,3,1);
//B-E
graph.insertEdge(1,4,1);
graph.showGraph();
}
}
查看控制台输出是否正确表示给出的图,如下
[0, 1, 1, 0, 0]
[1, 0, 1, 1, 1]
[1, 1, 0, 0, 0]
[0, 1, 0, 0, 0]
[0, 1, 0, 0, 0]
2.2 邻接表
2.2.1 基本介绍
邻接表由数组+链表组成,邻接表的实现只关心存在的边,不关心不存在的边。因此没有空间浪费。作为对比,因为邻接矩阵有n个顶点就需要为每个顶点都分配n个空间,由于大多数情况下,很多顶点不相连接,因此造成了内存空间浪费。
邻接表的示例图:
说明:标号为0的结点的相关联的结点为 1 、2、3、4;标号为1的结点的相关联结点为0、4;标号为2的结点相关联的结点为 0、4、5。
2.2.2 代码实现
用代码实现邻接表表示下面这个图:
顶点"A",“B”,“C”,“D”,“E”,分别使用0,1,2,3,4,5表示
新建类用于表示图的顶点
class VertexNode{
public int data;
public VertexNode next;
public VertexNode(int data) {
this.data = data;
}
public VertexNode(int data, VertexNode next) {
this.data = data;
this.next = next;
}
@Override
public String toString() {
return "VertexNode{" +
"data=" + data+"}->";
}
}
完成代码实现:
public class Graph {
/**
* 顶点集合
*/
private ArrayList<String> vertexList;
/**
* 存储图对应的邻接矩阵
*/
private VertexNode[] edges;
/**
* 边界的数量
*/
private int edgeNum;
public Graph02(int n){
vertexList=new ArrayList<>(n);
edges=new VertexNode[n];
edgeNum=0;
}
/**
* 插入顶点到vertexList
* @param vertex
*/
public void insertVertex(String vertex){
vertexList.add(vertex);
}
/**
*插入边
* @param index 数组下标
* @param vertex 连接的顶点
*/
public void insertEdge(int index,VertexNode vertex){
if (edges[index]==null){
edges[index]=vertex;
}else{
VertexNode temp=edges[index];
while (temp.next!=null){
temp=temp.next;
}
temp.next=vertex;
}
}
/**
*
* @param v1 顶点1的下标
* @param v2 顶点2的下标
*/
public void insertEdge(int v1,int v2){
insertEdge(v1,new VertexNode(v2));
insertEdge(v2,new VertexNode(v1));
edgeNum++;
}
/**
* 返回结点的数量
* @return
*/
public int getVertexNum(){
return vertexList.size();
}
/**
* 得到图的边数量
* @return
*/
public int getEdgeNum(){
return edgeNum;
}
/**
* 通过下标获取结点对应的数据
* @param index
* @return
*/
public String getVauleByIndex(int index){
return vertexList.get(index);
}
/**
* 返回顶点v1和顶点v2之间的权值,1表示有连接,0表示无连接
* @param v1
* @param v2
* @return
*/
public int getWeight(int v1,int v2) {
if (v1>=vertexList.size()||v2>=vertexList.size()){
return 0;
}
if (edges[v1]==null){
return 0;
}
VertexNode temp=edges[v1];
while (temp!=null){
if (temp.data==v2){
return 1;
}
temp=temp.next;
}
return 0;
}
/**
*
*/
public void showVertexNode(VertexNode vertexNode){
VertexNode temp=vertexNode;
while (temp!=null){
System.out.print(temp.toString());
temp=temp.next;
}
}
/**
* 显示矩阵
*/
public void showGraph(){
int i=0;
for (VertexNode edge : edges) {
if (edge!=null){
System.out.print(i++ +": ");
}
showVertexNode(edge);
System.out.println();
}
}
public static void main(String[] args) {
String[] vertexes={"A","B","C","D","E"};
int size=5;
Graph graph = new Graph02(size);
//插入顶点
for (String vertex : vertexes) {
graph.insertVertex(vertex);
}
//添加边
//A-B,
graph.insertEdge(0,1);
//A-C
graph.insertEdge(0,2);
//B-C
graph.insertEdge(1,2);
//B-D
graph.insertEdge(1,3);
//B-E
graph.insertEdge(1,4);
System.out.println("该图的边的数量:"+graph.getEdgeNum());
System.out.println("该图的结点量:"+graph.getVertexNum());
graph.showGraph();
}
}
控制台输出,查看是否正确表示出图:
该图的边的数量:5
改图的结点数量:5
0: VertexNode{data=1}->VertexNode{data=2}->
1: VertexNode{data=0}->VertexNode{data=2}->VertexNode{data=3}->VertexNode{data=4}->
2: VertexNode{data=0}->VertexNode{data=1}->
3: VertexNode{data=1}->
4: VertexNode{data=1}->
3. 图的遍历
所谓图的遍历,即是对结点的访问。一个图有那么多个结点,如何遍历这些结点,需要特定策略,一般有两种访问策略:
(1) 深度优先遍历
(2) 广度优先遍历
3.1 深度优先遍历(DFS)
3.1.1 基本介绍
深度优先遍历,从初始访问结点出发,初始访问结点可能有多个邻接结点,深度优先遍历的策略就是首先访问第一个邻接结点,然后再以这个被访问的邻接结点作为初始结点,访问它的第一个邻接结点, 可以这样理解:每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。
我们可以看到,这样的访问策略是优先往纵向挖掘深入,而不是对一个结点的所有邻接结点进行横向访问。显然,深度优先搜索是一个递归的过程。
3.1.2 代码实现
以邻接矩阵作为图的表示,深度优先遍历算法实现步骤如下:
(1) 访问初始结点v,并标记结点v为已访问。
(2) 查找结点v的第一个未访问过的邻接结点w。
(3) 若w存在,则执行步骤4,如果w不存在,则回到第1步,将从v的下一个结点继续。
(4) 对w进行深度优先遍历递归(即把w当做另一个v),然后进行步骤1、2、3。
(5) 遍历完v的第一个邻接结点w,查找结点v的下一个邻接结点,重复进行步骤3、4,直到遍历完所有的结点。
下面要使用邻接矩阵表示的图:
深度优先遍历实现的关键代码:
/**
* 从下标为0的顶点开始遍历
*/
private void dfs(){
for (int i = 0; i < isVisited.length; i++) {
isVisited[i]= false;
}
//因为可能存在无连接的结点,所以需要遍历每个结点
for (int i = 0; i < getVertexNum(); i++) {
if (!isVisited[i]){
dfs(i);
}
}
}
/**
* 深度优先遍历算法
* @param i 顶点的下标
*/
private void dfs(int i){
System.out.print(getValueByIndex(i)+"=>");
//标记为已经访问过
isVisited[i]=true;
//查找下一个邻接结点w
int w=getFirstNeighbor(i);
while (w!=-1){
//如果没有访问过,就继续往下遍历
dfs(w);
//如果w被访问过了,访问v下一个邻接结点
w=getNextNeighbor(i,w);
}
}
完整代码:
public class Graph {
/**
* 顶点集合
*/
private ArrayList<String> vertexList;
/**
* 存储图对应的邻接矩阵
*/
private int[][] edges;
/**
* 边界的数量
*/
private int edgeNum;
/**
* 结点是否被遍历到
*/
private boolean[] isVisited;
public Graph(int n){
vertexList=new ArrayList<>(n);
edges=new int[n][n];
edgeNum=0;
isVisited=new boolean[n];
}
/**
* 插入顶点到vertexList
* @param vertex
*/
public void insertVertex(String vertex){
vertexList.add(vertex);
}
/**
* 添加边
* @param v1 顶点在edges的下标
* @param v2
* @param weight 1或0,1表示有连接,0表示无连接
*/
public void insertEdge(int v1,int v2,int weight){
edges[v1][v2]=weight;
edges[v2][v1]=weight;
edgeNum++;
}
/**
* 从下标为0的顶点开始遍历
*/
private void dfs(){
for (int i = 0; i < isVisited.length; i++) {
isVisited[i]= false;
}
//因为可能存在无连接的结点,所以需要遍历每个结点
for (int i = 0; i < getVertexNum(); i++) {
if (!isVisited[i]){
dfs(i);
}
}
}
/**
* 深度优先遍历算法
* @param i 顶点的下标
*/
private void dfs(int i){
System.out.print(getValueByIndex(i)+"=>");
//标记为已经访问过
isVisited[i]=true;
//查找下一个邻接结点w
int w=getFirstNeighbor(i);
while (w!=-1){
//如果没有访问过,就继续往下遍历
dfs(w);
//如果w被访问过了,访问v下一个邻接结点
w=getNextNeighbor(i,w);
}
}
/**
* 获取index的第一个未访问过的邻接结点
* @param index
* @return
*/
private int getFirstNeighbor(int index) {
for (int i = 0; i < edges.length; i++) {
if (edges[index][i]>0&&!isVisited[i]){
return i;
}
}
return -1;
}
/**
* 根据上一个邻接结点的下标edgeIndex,获取结点vertexIndex的下一个未访问过的邻接结点
* @param vertexIndex
* @param edgeIndex
* @return
*/
private int getNextNeighbor(int vertexIndex,int edgeIndex){
for (int i = edgeIndex+1; i < edges.length; i++) {
if (edges[vertexIndex][i]>0&&!isVisited[i]){
return i;
}
}
return -1;
}
/**
* 返回结点的数量
* @return
*/
public int getVertexNum(){
return vertexList.size();
}
/**
* 得到图的边数量
* @return
*/
public int getEdgeNum(){
return edgeNum;
}
/**
* 通过下标获取结点对应的数据
* @param index
* @return
*/
public String getValueByIndex(int index){
return vertexList.get(index);
}
/**
* 返回v1和v2之间的权值
* @param v1
* @param v2
* @return
*/
public int getWeight(int v1, int v2){
return edges[v1][v2];
}
/**
* 显示矩阵
*/
public void showGraph(){
for (int[] edge : edges) {
System.out.println(Arrays.toString(edge));
}
}
public static void main(String[] args) {
String[] vertexes={"1","2","3","4","5","6","7","8"};
int size=8;
Graph graph = new Graph(size);
//插入顶点
for (String vertex : vertexes) {
graph.insertVertex(vertex);
}
//添加边
graph.insertEdge(0, 1, 1);
graph.insertEdge(0, 2, 1);
graph.insertEdge(1, 3, 1);
graph.insertEdge(1, 4, 1);
graph.insertEdge(3, 7, 1);
graph.insertEdge(4, 7, 1);
graph.insertEdge(2, 5, 1);
graph.insertEdge(2, 6, 1);
graph.insertEdge(5, 6, 1);
graph.showGraph();
System.out.println("深度优先遍历:");
graph.dfs();
}
}
控制台输出,图的邻接矩阵表示和深度优先遍历结果:
[0, 1, 1, 0, 0, 0, 0, 0]
[1, 0, 0, 1, 1, 0, 0, 0]
[1, 0, 0, 0, 0, 1, 1, 0]
[0, 1, 0, 0, 0, 0, 0, 1]
[0, 1, 0, 0, 0, 0, 0, 1]
[0, 0, 1, 0, 0, 0, 1, 0]
[0, 0, 1, 0, 0, 1, 0, 0]
[0, 0, 0, 1, 1, 0, 0, 0]
深度优先遍历:
1=>2=>4=>8=>5=>3=>6=>7=>
3.2 广度优先遍历(BFS)
3.2.1 基本介绍
图的广度优先搜索(Broad First Search) 。类似于一个分层搜索的过程,广度优先遍历需要使用一个队列以保持访问过的结点的顺序,以便按这个顺序来访问这些结点的邻接结点。
3.2.2 代码实现
以邻接矩阵作为图的表示,广度优先遍历算法实现步骤如下:
(1)访问初始结点v并标记结点v为已访问。
(2)结点v入队列
(3)当队列非空时,继续执行,否则算法结束。
(4)出队列,取得队头结点u。
(5)查找结点u的第一个未访问过的邻接结点w。
(6)若结点u的邻接结点w不存在,则转到步骤3;否则循环执行以下三个步骤:
6.1 访问结点w并标记为已访问。
6.2 结点w入队列
6.3 查找结点u的继邻接结点w后的下一个未访问的邻接结点w,转到步骤6。
要遍历的图和上面的深度遍历的图相同,广度优先遍历算法的关键代码如下:
private void bfs(){
for (int i = 0; i < isVisited.length; i++) {
isVisited[i]= false;
}
//因为可能存在无连接的结点,所以需要遍历每个结点
for (int i = 0; i < getVertexNum(); i++) {
if (!isVisited[i]){
bfs(i);
}
}
}
/**
* 广度优先遍历
* @param i
*/
private void bfs(int i){
//表示队列头节点对应的下标
int u;
//邻接结点w
int w;
//使用LinkedList做队列
LinkedList<Integer> queue = new LinkedList<>();
//标记为已访问
isVisited[i]=true;
System.out.print(getValueByIndex(i)+"=>");
//将结点加入队列中
queue.addLast(i);
while (!queue.isEmpty()){
//取出队列头节点的坐标
u= queue.removeFirst();
//得到第一个邻接结点
w=getFirstNeighbor(u);
//广度优先算法体现,遍历当前结点所有连接的结点,并添加到队列中
while (w!=-1){
System.out.print(getValueByIndex(w)+"=>");
//标记为已经访问
isVisited[w]=true;
queue.addLast(w);
w=getNextNeighbor(u,w);
}
}
}
控制台输出,图的邻接矩阵表示和广度优先遍历结果:
[0, 1, 1, 0, 0, 0, 0, 0]
[1, 0, 0, 1, 1, 0, 0, 0]
[1, 0, 0, 0, 0, 1, 1, 0]
[0, 1, 0, 0, 0, 0, 0, 1]
[0, 1, 0, 0, 0, 0, 0, 1]
[0, 0, 1, 0, 0, 0, 1, 0]
[0, 0, 1, 0, 0, 1, 0, 0]
[0, 0, 0, 1, 1, 0, 0, 0]
广度优先遍历:
1=>2=>3=>4=>5=>6=>7=>8=>
笔记总结自:
https://www.bilibili.com/video/BV1E4411H73v
详细介绍深度优先遍历和广度优先遍历:
漫画:深度优先遍历和广度优先遍历