数据结构 第七章图

第七章 图

知识点

1. 掌握：图的基本概念及相关术语和性质

   1. 图的定义

      • 图：Graph=(V,E)
      • V：顶点(数据元素)的有穷非空集合；
      • E：边的有穷集合。

   2. 图的分类

      1. 有向图
      2. 无向图
      3. 网络

   3. 图的相关术语

      1. 邻接：有边/弧相连的两个顶点之间的关系。

         • 存在(vi, vj)，则称vi和vj互为邻接点；
         • 存在<vi, vj>，则称vi邻接到vj，vj邻接于vi

      2. 关联(依附)：边/弧与顶点之间的关系。

         • 存在(vi, vj)/ <vi, vj>， 则称该边/弧关联于vi和vj

      3. 边的数目达到最大的图称为完全图。

      4. 边的数目达到或接近最大的图称为稠密图 ,否则,称为稀疏图。

      5. 顶点的度：与该顶点相关联的边的数目，记为TD(v)

         • 在有向图中, 顶点的度等于该顶点的入度与出度之和。
         • 顶点 v 的入度是以 v 为终点的有向边的条数, 记作 ID(v)
         • 顶点 v 的出度是以 v 为始点的有向边的条数, 记作OD(v)

      6. 路径：接续的边构成的顶点序列。

      7. 路径长度：路径上边或弧的数目/权值之和。

      8. 回路(环)：第一个顶点和最后一个顶点相同的路径。

      9. 简单路径：除路径起点和终点可以相同外，其余顶点均不相同的路径。

      10. 简单回路(简单环)：除路径起点和终点相同外，其余顶点均不相同的路径。

      11. 连通图（强连通图）
          在无（有）向图G=( V, E )中，若对任何两个顶点 v、u 都存在从v 到 u 的路径，则称G是连通图（强连通图）。

      12. 子图
          设有两个图G=（V，{E}）、G1=（V1，{E1}），若V1是V的子集，E1是E的子集，则称 G1是G的子图

      13. 连通分量（强连通分量）

          • 无向图G 的极大连通子图称为G的连通分量。
          • 极大连通子图意思是该子图是 G 连通子图，将G 的任何不在该子图中的顶点加入，子图不再连通。
          • 有向图G 的极大强连通子图称为G的强连通分量。
          • 极大强连通子图意思是该子图是G的强连通子图，将G的任何不在该子图中的顶点加入，子图不再是强连通的。

      14. 极小连通子图：该子图是G 的连通子图，在该子图中删除任何一条边，子图不再连通。

      15. 生成树：包含无向图G 所有顶点的极小连通子图。

      16. 生成森林：对非连通图，由各个连通分量的生成树的集合。

   4. 图的性质

      1. 对于具有n个顶点，e条边的图有 e = d/2
      2. 具有n个顶点的无向图最多有n(n-1)/2条边。
      3. 具有n个顶点的有向图最多有n(n-1)条边。

2. 熟练掌握：图的邻接矩阵和邻接表两种存储表示方法

   1. 邻接矩阵

      1. 建立一个顶点表（记录各个顶点信息）和一个邻接矩阵（表示各个顶点之间关系）。
         设图 A = (V, E ) 有 n 个顶点，则图的邻接矩阵是一个二维数组 A.Edge[n][n]。

      2. 邻接矩阵的存储表示

         //用两个数组分别存储顶点表和邻接矩阵
         #define MaxInt 32767        //表示极大值，即∞
         #define MVNum 100          //最大顶点数 
         typedef char VerTexType; //假设顶点的数据类型为字符型 
         typedef int ArcType;          //假设边的权值类型为整型 
         
         typedef struct{ 
         VerTexType vexs[MVNum];               //顶点表 
         ArcType arcs[MVNum][MVNum];    //邻接矩阵 
         int vexnum,arcnum;                 //图的当前点数和边数 
         }AMGraph; 
         
         

      3. 分析1：无向图的邻接矩阵是对称的；
         分析2：顶点i的度 ＝ 第i行 (列) 中1的个数；
         特别：完全图的邻接矩阵中，对角元素为0，其余1。

      4. 分析1：有向图的邻接矩阵可能是不对称的。
         分析2:

         顶点的出度 = 第i行元素之和
         顶点的入度 = 第i列元素之和
         顶点的度 = 第i行元素之和 + 第i列元素之和

      5. 特点

         1. 优点：容易实现图的操作，如：求某顶点的度、判断顶点之间是否有边、找顶点的邻接点等等。
         2. 缺点：n个顶点需要n*n个单元存储边；空间效率为O(n2)。 对稀疏图而言尤其浪费空间。

   2. 邻接表

      1. 算法思想

      （1）输入总顶点数和总边数。
      （2）依次输入点的信息存入顶点表中。
      （3）初始化邻接矩阵，使每个权值初始化为极大值。
      （4）构造邻接矩阵。

      2. 邻接表的存储表示

         #define MVNum 100               //最大顶点数 
         typedef struct ArcNode{         //边结点 
             int adjvex;                            //该边所指向的顶点的位置 
             struct ArcNode * nextarc;  //指向下一条边的指针 
             OtherInfo info;                    //和边相关的信息 
         }ArcNode; 
         
         typedef struct VNode{ 
             VerTexType data;                //顶点信息 
             ArcNode * firstarc;             //指向第一条依附该顶点的边的指针 
         }VNode, AdjList[MVNum];   //AdjList表示邻接表类型 
         
         typedef struct{ 
             AdjList vertices;                  //邻接表 
             int vexnum, arcnum;           //图的当前顶点数和边数 
         }ALGraph; 
         

      3. 无向图的邻接表表示

         • 空间效率为O(n+2e)。
         • 若是稀疏图(e<<n2)，比邻接矩阵表示法O(n2)省空间。

      4. 有向图的邻接表表示
         空间效率为O(n+e)

      5. 特点

         1. 优点：空间效率高，容易寻找顶点的邻接点；
         2. 缺点：判断两顶点间是否有边或弧，需搜索两结点对应的单链表，没有邻接矩阵方便。

   3. 邻接矩阵与邻接表表示法的关系

      1. 联系：邻接表中每个链表对应于邻接矩阵中的一行，链表中结点个数等于一行中非零元素的个数。

      2. 区别：

         1. 对于任一确定的无向图，邻接矩阵是唯一的（行列号与顶点编号一致），但邻接表不唯一（链接次序与顶点编号无关）。
         2. 邻接矩阵的空间复杂度为O(n2),而邻接表的空间复杂度为O(n+e)。

      3. 用途：邻接矩阵多用于稠密图；而邻接表多用于稀疏图

3. 熟练掌握：图的两种遍历方法DFS和BFS

   1. 深度优先搜索( DFS － Depth_First Search)

      1. 步骤

         1. 简单归纳：
         2. 访问起始点v;
         3. 若v的第1个邻接点没访问过，深度遍历此邻接点；
         4. 若当前邻接点已访问过，再找v的第2个邻接点重新遍历。

      2. 分析

         1. 用邻接矩阵来表示图，遍历图中每一个顶点都要从头扫描该顶点所在行，时间复杂度为O(n2)。
            用邻接表来表示图，虽然有 2e 个表结点，但只需扫描 e 个结点即可完成遍历，加上访问 n个头结点的时间，时间复杂度为O(n+e)。

         2. 结论：

            • 稠密图适于在邻接矩阵上进行深度遍历；
            • 稀疏图适于在邻接表上进行深度遍历。

   2. 广度优先搜索( BFS － Breadth_First Search)

      1. 步骤

         1. 简单归纳：
         2. 在访问了起始点v之后，依次访问 v的邻接点；
         3. 然后再依次访问这些顶点中未被访问过的邻接点；
         4. 直到所有顶点都被访问过为止。

      2. 算法思想

         1. 从图中某个顶点v出发，访问v，并置visited[v]的值为true，然后将v进队。

         2. 只要队列不空，则重复下述处理。

            1. 队头顶点u 出队。
            2. 依次检查u 的所有邻接点w，如果visited[w]的值为false，则访问w，并置visited[w]的值为true，然后将w进队。

      3. 效率分析

         1. 如果使用邻接矩阵，则BFS对于每一个被访问到的顶点，都要循环检测矩阵中的整整一行（ n 个元素），总的时间代价为O(n2)。
         2. 用邻接表来表示图，虽然有 2e 个表结点，但只需扫描 e 个结点即可完成遍历，加上访问 n个头结点的时间，时间复杂度为O(n+e)。

   3. 比较

      1. 空间复杂度相同，都是O(n)(借用了堆栈或队列）；
      2. 时间复杂度只与存储结构（邻接矩阵或邻接表）有关，而与搜索路径无关。

4. 熟练掌握：最短路算法（Dijkstra算法）

   1. 思想

      1. 初始化：先找出从源点v0到各终点vk的直达路径（v0,vk），即通过一条弧到达的路径。
      2. 选择：从这些路径中找出一条长度最短的路径（v0,u）。
      3. 更新：然后对其余各条路径进行适当调整：
         若在图中存在弧（u,vk），且（v0,u）+（u,vk）<（v0,vk）,则以路径（v0,u,vk）代替（v0,vk）。
         在调整后的各条路径中，再找长度最短的路径，依此类推。

5. 掌握：最小生成树的两种算法及拓扑排序算法的思想

   1. Prim算法: 归并顶点，与边数无关，适于稠密网
   2. Kruskal算法：归并边，适于稀疏网

习题

1. 画出下图所示的无向图的邻接表，使得其中每个无向边结点中第一个顶点号小于第二个顶点号，且每个顶点的各邻接边的链接顺序，为它所邻接到的顶点序号由小到大的顺序。列出深度优先和广度优先搜索遍历该图所得顶点序列和边的序列。

2. 已知以二维数组表示的图的邻接矩阵如下图所示。试分别画出自顶点1出发进行遍历所得的深度优先生成树和广度优先生成树。

3. 请对下图的无向带权图，
   (1)写出它的邻接矩阵，并按普里姆算法求其最小生成树；
   (2)写出它的邻接表，并按克鲁斯卡尔算法求其最小生成树。

4. 试利用Dijkstra算法求下图中从顶点a到其他各顶点间的最短路径，写出执行算法过程中各步的状态。

5. 请给出下图的最小生成树，要求给出其过程。

6. 请补充完整下表，完成从A点到其他各个顶点的最短路径及其路径长度。

   终点 路径 路径长度
   A->B AB 5
   A->C AC 3
   A->D
   A->E
   A->F
   A->G ABG 6