数学建模——图论

一、七桥问题：

	欧拉回路：如果每一个点所谅解的桥都是偶数座，则从任意一陆地出发，必能通过每座桥恰好一次回到出发地

二、图论的基本概念：

无向图：没有方向的图记为：G = （V，E）

有向图：他的路线是有方向的

子图：保留所有的点，去掉一部分的边
网路图：
* 各边赋予一定的物理量，如果是距离就叫做网络图或者赋权图
* 所赋予的物理量叫做权
* 权可以是：距离，时间，成本
初等链：定点和边相互交替出现的序列。
路：内部点不相同的链
圈：起点和终点相同的链叫做圈
回路：起点和终点相同的路叫做回路
连通图：在图中，任意两点之间都有一条链相连，叫做连通图，否则就是非连通图
非连通图可以由多个连通图构成
简单图：没有环和多重边的图是简单图
树：不含圈的连通图
树的基本性质
任意两点之间有且只有一条链
若树有p个顶点，则共有q = p-1条边
若图是连通的，且q = p-1，则该图不含圈，因此是树
若图不含圈，且q = p-1,则该图连通，因此是树

三、图论的基本问题及算法

1. 最小链接问题
   • 解决算法：最小生成树，最小支撑树
     最小生成树算法思路及程序设计

# kruskal寻找最小生成树
# 先确定每一条边链接的节点和距离
# 根据距离对这些边进行排序
# 我们取出所有的点生成图（不留边）
# 然后把排序好的边从低到高取出放入到图中
# 如果形成了回路我们就不再使用这边条边
# 直到我们的边遍历完成或者我们的边达到预期数量


def find(node, root_list):
   # 默认根节点是自己
   root = node
   # 如果根节点不是自己，就进行改变
   while root != root_list[root]:
       root = root_list[root]
   return root


def trange_data(edge, root_list, node_list):
   # 检测我们这两条边的根节点
   root1, root2 = find(edge[0], root_list), find(edge[1], root_list)
   # 如果第一个节点能链接到的点数小于第二个节点能连接到的点数
   # 那么我们第二个才是最大的根节点
   # 为什么这样能找出最大的根节点呢
   # 因为两个节点能相互连接，，也就是说，我们的节点能链接彼此的节点，那么加起来最大的那个自然是最大根节点咯
   if node_list[root1] < node_list[root2]:
       root_list[root1] = root2
   # 反之，则第一个才是最大的根节点
   else:
       root_list[root2] = root1
       # 如果这两个正好相等，就让期中一个+1使得其成为最大的根节点
       if node_list[root1] == node_list[root2]:
           node_list[root1] += 1


def kruskal(edges, N):
   # 对我们的边进行排序
   edges = sorted(edges, key=lambda x: x[-1])
   # 初始化每个点的根节点和他们连通的点的个数，还有最小树的列表
   tree = []
   # 默认他们的根节点就是他们自己
   root_list = [i for i in range(N)]
   node_list = [0]*N
   # 我们知道，N个节点只有N-1条边，我们要设置记录边条数的变量
   count = 0
   # 遍历排序好的边
   for edge in edges:
       # 两个根节点不同才能保留当前遍历的边
       # 设想一下，我们的两个点有相同的根节点，然后根节点能链接到这两个点，如果这两个点还能互相链接不就封闭了
       if find(edge[0], root_list) != find(edge[1], root_list):
           # 如果不同，我们就保留这条边
           tree.append(edge)
           # 开始修改我们的root_list和我们的node_list
           trange_data(edge, root_list, node_list)
           count += 1
       if count == N-1:
           break
   return tree


if __name__ == "__main__":
   # 一个数组表示一条边，前两个表示的是节点，最后一个表示距离
   edges = [
       [0, 1, 6],
       [0, 2, 1],
       [0, 3, 5],
       [2, 1, 5],
       [2, 3, 5],
       [2, 4, 5],
       [2, 5, 4],
       [1, 4, 3],
       [4, 5, 6],
       [5, 3, 2]
   ]


   # 节点数
   Node = 6
   # 引入kruskal
   miniTree = kruskal(edges, Node)
   for node in miniTree:
       print("%d - %d  %d" % (node[0], node[1], node[2]))

# 结果为：
# 0 - 2  1
# 5 - 3  2
# 1 - 4  3
# 2 - 5  4
# 2 - 1  5

2. 最短路问题：
   选定一个终点和一个起点，从图中找到从起点到终点的最短路径
   经典算法：
   1. Dijkstra算法，标号法，适用于简单图
   2. Floyd算法，求任意两点间的最短路
   3. Ford算法，修正标号法，适用于具有复权的网络
3. 其他问题：
   • 网络流问题
     • 最大流问题
     • 最小流问题
     • …
   • 匹配问题
   • 其他经典问题
     • 欧拉图、哈密尔顿图
     • 中国邮递员问题
     • 旅行商问题
     • …
       单旅行商问题求解的近似算法：
   • 启发式算法
   • 遗传算法
   • 模拟退火算法
   • 神经网络与人工智能

（ps:就写这么多了吧，后面算法等我看懂了再补吧）