图的邻接表存储及遍历

图是由边和顶点集合组成的数学结构。图的遍历是访问图的所有顶点，而邻接表是表示图的一种方法。

邻接表是图的存储方式之一，特别适用于稀疏图。在邻接表存储中，每个顶点通常链接到一个链表或向量，链表或向量中的每个元素都表示与该顶点相邻的顶点。

下面是使用邻接表遍历图的基本方法：

1. 创建一个空的邻接表来表示图。
2. 对于图中的每个顶点，将其添加到邻接表中。
3. 对于每个顶点，遍历其邻接链表，并对于链表中的每个元素，执行以下操作：

1. 打印顶点的名称或值。
   • 如果需要，还可以打印与该顶点相关的其他信息，如它的度（入度和出度），它的邻居的数量等。

1. 如果需要，还可以使用不同的遍历策略，如深度优先遍历（DFS）或广度优先遍历（BFS）。

下面是一个简单的Python示例，演示如何使用邻接表表示图并遍历它：

1. # 使用字典创建邻接表
2. graph = {
3.     'A': ['B', 'C'],
4.     'B': ['A', 'D', 'E'],
5.     'C': ['A', 'F'],
6.     'D': ['B'],
7.     'E': ['B', 'F'],
8.     'F': ['C', 'E']
9. }
11. # 遍历邻接表
12. for vertex in graph:
13.     print(vertex, "->", graph[vertex])

这个例子创建了一个简单的无向图的邻接表，并遍历它以打印每个顶点和它的邻居。对于有向图，只需在创建邻接表时区分出箭头的方向即可。例如，如果图中没有从'A'到'B'的边，但在'B'到'A'之间有一条边，那么在邻接表中，'A'的邻居列表中不会包含'B'，但在'B'的邻居列表中会包含'A'。

好的，接下来我将继续上面的示例，展示如何使用邻接表进行深度优先遍历（DFS）和广度优先遍历（BFS）。

深度优先遍历（DFS）

深度优先遍历是一种用于遍历或搜索树或图的算法。这个算法会尽可能深地搜索图的分支。当节点v的所在边都己被探寻过，搜索将回溯到发现节点v的那条边的起始节点。

这是一个使用邻接表进行深度优先遍历的Python示例：

1. def dfs(graph, start):
2.     visited = set()  # 用一个集合来保存已经访问过的节点
3.     stack = [start]  # 使用一个栈来进行DFS，首先把起始节点压入栈中
5.     while stack:  # 当栈不为空时，持续进行DFS
6.         vertex = stack.pop()  # 弹出栈顶的节点
7.         if vertex not in visited:  # 如果该节点没有被访问过
8.             visited.add(vertex)  # 标记该节点为已访问
9.             stack.extend(graph[vertex] - visited)  # 把该节点的所有邻居压入栈中，但要把已经访问过的邻居去掉
10.     return visited  # 返回所有被访问过的节点
12. graph = {
13.     'A': set(['B', 'C']),
14.     'B': set(['A', 'D', 'E']),
15.     'C': set(['A', 'F']),
16.     'D': set(['B']),
17.     'E': set(['B', 'F']),
18.     'F': set(['C', 'E'])
19. }
20. print(dfs(graph, 'A'))  # 输出: {'A', 'B', 'C', 'D', 'E', 'F'}

广度优先遍历（BFS）

广度优先遍历是另一种图遍历算法，它是按照"广度"（即距离）来探索图的。它会首先探索离起始节点最近的节点，然后再慢慢探索更远的节点。它使用队列来实现。

这是一个使用邻接表进行广度优先遍历的Python示例：

1. from collections import deque
3. def bfs(graph, start):
4.     visited = set()  # 用一个集合来保存已经访问过的节点
5.     queue = deque([start])  # 使用一个队列来进行BFS，首先把起始节点加入队列中
7.     while queue:  # 当队列不为空时，持续进行BFS
8.         vertex = queue.popleft()  # 弹出队列首部的节点
9.         if vertex not in visited:  # 如果该节点没有被访问过
10.             visited.add(vertex)  # 标记该节点为已访问
11.             queue.extend(graph[vertex] - visited)  # 把该节点的所有邻居加入队列中，但要把已经访问过的邻居去掉
12.     return visited  # 返回所有被访问过的节点
14. print(bfs(graph, 'A'))  # 输出: {'A', 'B', 'C', 'D', 'E', 'F'}

以上就是使用邻接表表示图以及对其进行深度优先遍历和广度优先遍历的基本方法。

除了深度优先遍历和广度优先遍历，还有很多其他遍历图的方法，例如：

普利姆（Prim）算法

普利姆算法是一种用于求解最小生成树的算法。它从任意一个顶点开始，然后在每一步中选取当前剩余的顶点中与已选取的顶点之间的距离最小的顶点加入到已选取的顶点集合中。直到所有的顶点都被选取为止。

克鲁斯卡尔（Kruskal）算法

克鲁斯卡尔算法也是一种用于求解最小生成树的算法。它从图的所有边中选取权值最小的边，然后判断这条边是否会构成一个环。如果不会构成环，就选取这条边并加入到最小生成树中。重复这个过程直到最小生成树中有n-1条边或者所有的边都已经被选取过。

迪杰斯特拉（Dijkstra）算法

迪杰斯特拉算法是一种求解单源最短路径问题的算法。它从图中的一个顶点开始，然后选取所有从起始顶点出发可以达到的顶点中距离最短的顶点。然后重复这个过程，直到所有的顶点都被访问过或者达到某个终止条件。

以上这些算法都可以使用邻接表来表示图并进行实现。在使用邻接表来表示图时，需要注意如何表示边的权重（例如使用字典或者自定义的数据结构）以及如何处理无向图和有向图（例如使用对称矩阵或者邻接矩阵来表示无向图）。