Keruskal 算法

导入

自从上次与最小生成树们玩了一上午的捉迷藏，他们就决定不让你使用Prim算法来找他们（因为Prim算法实在是太好用了，让他们连输了好几把），现在，为了挽回你们脆弱的友谊，你只能换一种算法了，那么到底该用什么算法呢？

Keruskal 算法

于是你找来了Prim算法的好兄弟，今天的主角----- Keruskal 算法

算法描述

与Prim算法相同，Keruskal算法也是一中使用贪心的策略，在加权连通图中求最小生成树的算法

两者都使用了贪心的策略，同样的都能求出加权连通图中的最小生成树，那么，他们究竟有什么不同之处呢？

与prim算法的不同之处

想要理解Prim算法与Keruskal算法之间的关系，我们首先要明白两个算法的实现方式（即使用了什么样的方法来找出最小生成树）

Prim算法的方法是，寻找与dist集合距离最近的顶点，并将这个点标记加入到dist集合当中，从而找出最小生成树

Keruskal算法的方法则是，将每一条边按边权升序排序，然后找出能将两个集合相连的边权最小的边，从而达到找出最小生成树的目的

让我们看图说话，这是一个图，此时每个顶点的父都是自己

现在，我们通过贪心，找到了一些边权较小的边，然后把他们合成一个集合

可是接下来该选哪一条边呢，这个时候就要开始选择能把两个集合联系在一起的边了，没错，就是选择1-5 这一条边

以此类推，最后得到的集合就是最小生成树了

相信从两个算法实现的方法，我们也能看得出来，这两个算法有着很大的区别

算法实现

了解了这些不同后，我们就可以着手来尝试实现Keruskal算法了
不过，你真的了解并查集吗？

回顾并查集

刚才在描述Keruskal算法的实现过程时，我们提到了合并两个集合，那么，两个集合，是如何实现合并与查找的呢？

并查集—合并操作

合并操作的目的，是将两个集合合并成一个集合，那么应该如何实现这个目的呢

其实很简单，在一个集合中，每个“子”，都有一个“父”，我们只需要改变这个集合中的“父”的“父”，让他变成最后合成出的大集合中的一个子

就像图中所表述的一样（红字是这个顶点的父）

按照我们刚才说的来做就好了

这就是并查集里的合并操作

并查集—查找操作

看完合并，我们再来看看查找
查找的目的是寻找到集合中的父（如下图，里面的父是顶点一）

很简单，我们只需要找到一个父为自己的点就行了

数据处理

回顾完并查集后，我们终于可以回到正轨，来实现Keruskal算法了

数据的处理上，我们新添加了一个数组mf用于记录每个点的父，同时不再使用和Prim以及Dijkstra算法的排序队列，而是直接使用数组edges来存储边的信息

struct Node{
   
	int n1,n2,w;//前驱，ID，边权
	Node(){
   }
	Node(int i,int d,int l){
   
		n1=i;n2=d;w=l;
	}
	friend bool operator < (Node a,Node b){
   
		return a.w<b.w;
	}
};  
Node edges[10000];