图文结合、利于理解的数据结构学习笔记（7）——图

机械工业出版社《数据结构与算法——Python语言实现》学习笔记。
画图工具：draw.io

1 图的抽象数据结构

图是顶点和边的集合。我们将抽象模型定义为三种数据类型的集合：Vertex、Edge 和 Graph。

Vertex 是存储由使用者提供的任意元素的轻量级的对象，假设它提供一个检索所存储元素的方法 element()。

Edge 同样存储相关联的对象，假设它提供的方法如下：

• element()：检索所存储元素
• endpoint()：返回元组 (u,v)，顶点 u 是边的起点，顶点 v 是终点；对于一个无向图，方向是任意的。
• opposite()：假设顶点 v 是边的一个端点（起点或者终点），返回另一个端点。

图的基本抽象表示为 Graph ADT。我们假设一个图是有向或者无向的，定义在构造时指定，Graph ADT 包含以下几种方法：

• vertex_count()：返回图的顶点的数目
• vertices()：返回图中所有顶点
• edge_count()：返回图的边的数目
• edges()：迭代返回图的所有边
• get_edge(u,v)：返回从顶点 u 到顶点 v 的边，如果其中一个存在；否则返回 None。对于无向图，get_edge(u,v) 和 get_edge(v,u) 之间没有区别。
• degree(v, out=True)：对于一个无向图，返回边入射到顶点 v 的数目。对于一个有向图，返回入射到顶点 v 的输出（或输入）边的数目，由可选参数指定。
• incident_edges(v, out=True)：返回所有边入射到顶点 v 的迭代循环。在有向图的情况下，通过默认报告输出边；如果可选参数设置为 False，则报告输出边。
• insert_vertex(x = None)：创建和返回一个新的存储元素 x 的 Vertex。
• insert_edge(u, v, x=None)：创建和返回一个新的从顶点 u 到顶点 v 的存储元素 x 的 Edge（默认 None）。
• remove_vertex(v)：移除顶点 v 和图中它的所有入射边。
• remove_edge(e)：移除图中的边 e。

2 图的数据结构

介绍四种表示图的数据类型，在四种表示中都维护一个集合来存储图的 顶点 ，然而这四种表示在它们组织 边 的方式上有显著不同。

• 在 边列表 中，对所有边采用无序的列表，这可以满足最低限度，但无有效办法来找到特定的边 (u, v) ，或者找到入射到顶点 v 的所有边。
• 在 邻接列表 中，为每个顶点维护一个单独的列表，包括入射到顶点的那些边。可以通过取并集来确定完整的边集合，优点是可以更高效地找到所有入射到给出顶点的边。
• 邻接图 和邻接列表非常相似，每个顶点保存为一个次级图，其中邻接的点为主键，连接的边作为相关联的值。邻接图允许在 O(1) 的预期时间内访问特定边 (u,v)。
• 邻接矩阵 对于有 n 个顶点的图维持一个 n x n 矩阵，最坏的情况下访问特定边 (u,v) 的时间为 O(1)。矩阵中每一项专用于为顶点 u 和 v 的特定对存储一个参考边 (u,v) ；没有这样的边存在则该表项为空。

4 种结构的性能总结：

操作	边列表	邻接列表	邻接图	邻接矩阵
vertex_count()	O(1)	O(1)	O(1)	O(1)
edge_count()	O(1)	O(1)	O(1)	O(1)
vertices()	O(n)	O(n)	O(n)	O(n)
edges()	O(m)	O(m)	O(m)	O(m)
get_edge(u,v)	O(m)	O(min($d_u$,$d_v$))	O(1)exp.	O(1)
degree(v)	O(m)	O(1)	O(1)	O(n)
incident_edges(v)	O(m)	O($d_v$)	O($d_v$)	O(n)
insert_vertex(x)	O(1)	O(1)	O(1)	O($n^2$)
remove_vertex(v)	O(m)	O($d_v$)	O($d_v$)	O($n^2$)
insert_edge(u, v, x)	O(1)	O(1)	O(1)exp.	O(1)
remove_edge(e)	O(1)	O(1)	O(1)exp.	O(1)

n 表示顶点数，m 表示边数，$d_v$ 表示顶点 v 的度。注意邻接矩阵使用 O($n^2$) 的空间，而所有其他的结构使用 O(n+m) 的空间。

2.1 边列表结构

最简单但不是最有效的结构，所有顶点存储在一个无序的列表 V 中，所有边对象存储在一个无序的列表 E 中。

使用空间的大小是 O(n+m)。边列表最显著的局限性，是 get_edge(u,v)、degree(v)、和 incident_edges(v) 方法的运行时间为 O(m)。问题出在图的所有边在无序列表 E 中，能响应那些查询的唯一方法是通过对所有边进行详细的排查。

2.2 邻接列表结构

对每个顶点 v 维持一个集合 l(v)，该集合被称为 v 的 入射 集合，其中全部是入射到 v 的边。（在有向图的情况下，输出边和输入边分别存储在两个单独的集合 lout(v) 和 lin(v)中。）

使用空间的大小是 O(n+m)。邻接列表的主要好处是集合 l(v) 正好包含那些应该用 incident_edges(v) 方法报告的边。因此，我们可以通过在 O(deg(v))时间内对 l(v) 的边进行迭代来实现这种方法，其中 deg(v)/$d_v$ 是顶点 v 的度。

邻接列表的局限性为 get_edge(u,v) 最好的实现需要 O(min($d_u$,$d_v$)) 的时间，因为我们必须在 l(u) 或者 l(v) 中搜寻。

2.3 邻接图结构

在邻接列表的基础上，我们可以使用基于哈希的映射为每个顶点 v 实现 l(v) 来提高性能。让每个入射边的另一个端点作为图的主键，用边结构作为值。

邻接图的空间使用仍为 O(n+m)。相对于邻接列表，邻接图的优势是方法 get_edge(u,v) 可以通过将顶点 u 作为关键字在 l(v) 中搜索以达到在预期时间 O(1) 内实现。

邻接图本质上对所有方法实现了最佳的运行时间，成为图表示中一种优秀的通用选择。

2.4 邻接矩阵结构

在邻接矩阵表达方式中，我们考虑顶点以集合 { 0 , 1 , ⋯   , n − 1 } \{ 0,1, \cdots ,n-1\} {0,1,⋯,n−1} 中的数字来表示，边以这些数字中的其中一对来表示。在二维数组 A 的单元格 A[i,j] 内存储边 (u,v) 的引用（如果边存在），其中 u 是索引为 i 的顶点，v 是索引为 j 的顶点。如果没有这样的边，那么 A[i,j]=None。

邻接矩阵最显著的优点是任何边 (u,v) 可以在最坏情况下的 O(1) 时间内被访问到（邻接图只支持在 O(1) 的预期时间内）。

邻接图的缺点：（1）邻接矩阵的使用空间为 O($n^2$)，通常远差于其他表示方法，仅适用于密集图。（2）寻找入射到顶点 v 的边、添加或删除顶点等操作效率较低。