图论算法dijkstra dfs bfs以及动态规划

背景

⽹络爬⾍；

地图应⽤：⾼德地图，百度地图（最短路径推荐，最短时⻓推荐）；

社交⽹络分析：好友推荐，垃圾⽤户分析，社交关系分析；

推荐、精准营销；

舆情控制，信息传播；

防欺诈（⽹络诈骗和电信诈骗）；

计算⽣物学：模拟分⼦运动；

图的分类

有向图

⽆向图 

权重图

 

 

图的基本概念

顶点集合（ vex-set ）：如上图 S(vex) = {'A', 'B', 'C', 'D', 'E', 'F'}

边集合（ arc-set ）：如上图 S(arc) = {<'A', 'B'>, <'A', 'C'>, <'A', 'D'>, <'B', 'F'>, <'B', 'C'>, <'C', 'E'>, <'D', 'E'>, <'E', 'F'>}

度（ degree ）：⽆向图中从⼀个点延伸出去的边数就是该点的度；有向图中包含出度和⼊度；

出度（ out-degree ）：有多少条边指向某点就是该点的出度；

⼊度（ in-degree ）：从某点出发 向外指向延伸 的边数就是该点的⼊度；

图的存储

存储的关键是 点集合 和 边集合 ；

邻接矩阵：顶点信息存储在⼀维数组中，边信息存储在⼆维数组中；

优点：很容易算出边邻接关系；以及节点的度（不管是出度还是⼊度）；

缺点：边集合存储空间复杂度⽐较⼤，图中⼤量 0 ，空间利⽤率不⾼（尤其在点多边少的情况

下）；对于⽆向图，邻接矩阵是对称的，可以只存下半部分。

连接表：顶点集合依然存储在⼀维数组当中，边集合存储在连接表当中；

有向图

 ⽆向图

权重⽆向图

 

优点：很容易算出邻接关系；以及节点的出度；

缺点：很难算出⼊度，需要遍历整张表；可以同时建⽴⼀张逆连接表（相当于记录⼊度的

表）；

图的遍历

从图中某⼀个顶点出发，访问图中其余顶点，使每个顶点被访问⼀次且只被访问⼀次；

可以从图中任意⼀个顶点出发进⾏遍历；

需要解决的问题：

确定⼀条搜索路径；

确保每个顶点被访问到；

确保每个顶点只能被访问⼀次；

设置辅助数组 visited ，数组元素的初始值均为 false ，⼀旦遍历过就置为 true ；

深度优先搜索

应⽤：

检测连通分量的个数；

两个点是否在⼀个连通分量中；

检测是否构成环；从⼀个点出发能否回到出发点；

⼴度优先搜索

 

关键数据结构：

队列；

应⽤：

游戏中找寻路径问题；

迪杰斯特拉算法（ dijkstra ）

该算法主要解决最短路径问题，采⽤是贪⼼思想；

对象：权重图；

该算法核⼼思想是，每次从 路径最短的点 出发 遍历相邻边 ，检测修改路径值（确保相邻点也是最

短），从 未被确认路径最短的顶点集合 中选择最短路径的点，将该点加⼊ 确认路径最短的顶点集

合 ，并将该点 作为下次遍历相邻边的出发点 ；

核⼼步骤：更新，扫描，修改；

动态规划

0/1 背包问题：给定 n 件物品，物品重量为 w[i] ，物品价值 c[i] ，背包能承受最⼤重量为 V ；问如何选

择物品放⼊背包，使得背包中物品的总价值最⼤？

暴⼒解法：尝试所有可能的物品组合，找出价值最⾼的组合；因为每⼀种物品都有选择和不选择的

可能，那么该算法的时间复杂度为

;

动态规划：先将问题拆分成⼩问题，再 逐步 解决⼤问题；

动态规划的必要步骤：画⽹格；从画⽹格中找出 状态转移⽅程 ；

例⼦：背包可承受最⼤重量为7，物品的价值分别为（1，4，5，7），物品的重量分别为（1，3、4，5）。

 推导：

0/1 背包解释： 0/1 的意思是某物品要么不选择，要么只选择⼀次；

注意：

c 为物品价值， w 为物品重量，下⾯描述直接⽤字⺟来代替；

如上图：

蓝⾊区域为背包能承受的总重量；

绿⾊区域为不同的物品，描述了该物品的价值以及重量；

红⾊区域为纵坐标对应的背包承受重量下，纳⼊背包物品的总价值；

⻩⾊区域为背包承受重量为 5 的时候，此时可选物品为 [c(1)w(1)],[c(4)w(3)],[c(5)w(4)] ，

从这些物品中选择并纳⼊背包，此时背包的物品最⼤价值为 6 ；

1. 从第⼆⾏ [c(1)w(1)] 出发，只选择 [c(1)w(1)] 物品，分别尝试选择承受重量为 (1 ， 2 ，

3 ， 4 ， 5 ， 6 ， 7) 的背包；可知，背包价值只能为 1 ，不管背包可承受的重量；

2. 从第三⾏ [c(4)w(3)] 出发，此时可选择 [c(1)w(1)],[c(4)w(3)] 两件物品，分别尝试选

择承受重量为 (1 ， 2 ， 3 ， 4 ， 5 ， 6 ， 7) 的背包；背包承受重量⼩于 3 时，跟相邻上⼀格⼀致，因为

只能选择 [c(1)w(1)] 物品；背包承受重量为 3 时，此时可以选择 [c(4)w(3)] 物品；当背包承受

重量⼤于 3 时，此时可以同时选择两件物品，所以后⾯都为 5 ；

3. 从第四⾏ [c(5)w(4)] 出发，此时可选择 [c(1)w(1)],[c(4)w(3)],[c(5)w(4)] 三件物 品，分别尝试选择承受重量为 (1 ， 2 ， 3 ， 4 ， 5 ， 6 ， 7) 的背包；背包承受重量⼩于 4 时，跟相邻上 ⼀格⼀致；当背包承受重量等于4 时，此时多了⼀种选择；（重点来了）如果不选择 [c(5)w(4)] 那 么选择相邻上⼀格，值为5 ；如果选择 [c(5)w(4)] ，那么此时价值为 5 ，背包可承受重量为 4- 4=0，那么此时背包最⼤价值为 5 ；可以看出都是 5 。往后背包可承受重量为 5 ，如果不选择，相邻上 ⼀格价值为5 ；如果选择，背包剩余重量为 1 ，还可以选择 [c(1)w(1)] 物品；那么此时背包总价值 为 5+1=6 。再往后⼀格，此时背包重量 6 ；如果不选择，跟相邻上⼀格⼀致；如果选择，背包剩余重 量为2 ，只能选择 [c(1)w(1)] 物品，此时背包只能还有重量为 1 的剩余，但是不能选择任何物品 了。再往后⼀格，此时背包重量7 ；如果不选择，相邻上⼀格价值为 5 ；如果选择，背包剩余重量为 3 ， ⽽之前已经计算，背包重量为3 的最⼤价值为 4 ，所以此时背包价值总和为 5 （已选择） +4 = 9 ； 4. 最后⼀⾏与前⾯推导⼀致，我们强调最后⼀格的选择；如果不选择 [c(7)w(5)] ，那么最⼤价值 为相邻上⼀格，此时背包最⼤价值为9 ；如果选择 [[c(7)w(5)]] ，背包剩余重量为 7-5=2 ；⽽之前 已经算出背包重量为2 时，最⼤价值为 1 ，所以此时背包最⼤价值为 7+1 = 8 ；显然不选择

[c(7)w(5)] 物品时，背包价值最⾼为 9 ；

状态转移⽅程：

dp [ i ][ k ] = max ( c [ i ] + dp [ i - 1 ][ k - w [ i ]], dp [ i - 1 ][ k ]);