考研数据结构与算法(七)图论

一、图的基本概念

1.1 图的定义

图 G 由顶点集 V V V 边集 E E E 组成,记为 G = ( V , E ) G=(V, E) G=(V,E) , 其中 V ( G ) V(G) V(G) 表示图 G G G 中顶点的有限非空集;
E ( G ) E(G) E(G) 表示图 G G G 中顶点之间的关系 (边) 集合。 若 V = V 1 , V 2 , … , V n V= {V_1 , V_2,…, V_n} V=V1,V2Vn,则用 ∣ V ∣ |V| V 叫表示图中顶点的个数,也称图 G G G 的阶, E = ( u , v )   ∣   u ∈ V , v ∈ V E = {(u,v) \ | \ u∈V,v∈V} E=(u,v)  uV,vV,用 ∣ E ∣ |E| E 表示图 G G G 中边的条数。

注意:图的顶点集 V V V 一定为非空,而图的边集 E E E 可能为空

1.2 基本术语

1.2.1 有向图

图中的边集是由方向的,例如有一个从点 A A A B B B 的有向边,那么我们从 A A A 点可以到达 B B B 点,而不能从 B B B 点到达 A A A 点,这样就是一个有向边,在这条边中点 A A A 被称为 弧尾 ,而点 B B B 被称为 弧头 ,我们通常用这样的符号来记录这条边:<A,B>

1.2.2 无向图

很显然没有方向的边和顶点集构成的图就为无向图,按照上面的情况,在无向图中顶点之间是互相连通的,即若有一个点 A A A 到点 B B B 的边,从 B B B 出发也是能到达 A A A 点的,我们通常使用这样的符号来记录这条边:(A,B)

1.2.3 简单图

一个图 G G G 若满足:

  • ①不存在重复边
  • ②不存在顶点到自身的边,则称图 G G G 为简单图

1.2.4 多重图

若图 G G G某两个结点之间的边数多于一条,又允许顶点通过同一条边也和自己关联,则 G G G 为多重图。多重图的定义和简单图是相对的

1.2.5 完全图

  • 在一个顶点数量为 n n n 的无向图中,若边的数量为 ( n − 1 ) × n 2 \frac{(n-1)\times n}{2} 2(n1)×n ,则该无向图为完全图
  • 在一个顶点数量为 n n n 的有向图中,若边的数量为 ( n − 1 ) × n (n-1)\times n (n1)×n ,则该有向图为完全图

1.2.6 子图

设有两个图 G = ( V , E ) G = (V,E) G=(V,E) G ′ = ( V ′ , E ′ ) G'=(V',E') G(V,E), 若 V ′ V' V V V V 的子集,且 E ′ E' E E E E 的子集,则称 G ′ G' G G G G 的子图,若满足 V ′ = V V' = V V=V E ′ ⊂ E E' \subset E EE 那么子图 G ′ G' G G G G 的生成子图

注意:并非 V V V E E E 的任何子集都能构成 G G G 的子图,因为这样的子集可能不是图, 即 E E E 的子集中的某些边关联的顶点可能不在这个 V V V 的子集中

1.2.7 连通、连通分量、连通图

关于连通方面的定义都是基于无向图

  • 连通:在无向图中若从顶点 u u u 到顶点 v v v 有路径存在,那么称 u u u v v v 是连通的
  • 连通图:若无向图中任意两点是连通的,那么这个无向图就称为连通图,否则称为非连通图
  • 连通分量:对于一个连通图而言,其连通分量只有一个就是其本身,而对于非连通图而言,连通分量有多个,其每一个子图(或者称为极大联通子图)都是一个连通分量

很显然一个 n n n 个点的连通图最少有 n − 1 n-1 n1 条边(即后面提到的生成树),最多有 ( n − 1 ) × n 2 \frac{(n-1)\times n}{2} 2(n1)×n 个边

这里再补一下 极小连通子图 的定义:一个顶点为 n n n 的子图的边数为 n − 1 n-1 n1 (其实后面也能知道这其实是生成树的定义) ,就称其为极小连通子图,很显然这样的子图也是一个极大连通子图,因为它是一个连通分量。

例如,对于下面的这个非连通图,其连通分量有三个:
在这里插入图片描述

1.2.8 强连通

关于强连通方面的定义都是基于有向图

  • 强连通:在有向图中,若从顶点 v v v 到顶点 w w w 和从顶点 w w w 到顶点 v v v 之间都有路径 ,则称这两个顶点为强连通
  • 强连通图:若有向图中任意两点之间都是强连通的,那么称这个有向图为强连通图,否则称为非强连通图
  • 强连通分量:对于一个强连通图而言,其强连通分量就是本身,而对于一个非强连通图而言,其极大强连通子图就为该非强连通分量(在子图中任意两点仍满足强连通

例如,对于如下的非强连通图,其中点 A A A B B B 构成的子图就为极大联通子图,即强连通分量,而点 C C C D D D 构成的子图则不是强连通分量
在这里插入图片描述

1.2.9 生成树、森林

生成树、森林一般是基于无向图

连通图的生成树是包含图中全部顶点的一个极小连通子图,即一个 n n n 个点的连通图中有 n − 1 n-1 n1 条边

很显然这样的连通图,如果减去一条边就会形成非连通图,而若是加上一条边,则会形成回路

例如,下图中的连通图就为一个生成树:
在这里插入图片描述

而生成森林其实就是多个连通子图都是极小连通子图(生成树),那么就称这个森林为生成森林,例如下图中左边森林为生成森林,而右边的森林不是连通森林:
在这里插入图片描述

1.2.10 顶点的度

  • 无向图:对于无向图而言,顶点的度就是和该顶点相连接的边数
  • 有向图:对于有向图而言,指向该顶点的边数称为入度,而从该顶点指出的边数称为出度
  • 无向图的全部顶点的度之和等于两倍的边数
  • 有向图的全部顶点的出度等于全部顶点的入度等于边数

1.2.11 边权和网

在一个图中,每条边都可以标上具有某种含义的数值,该数值称为该边的权值。 这种边上带有权值的图称为带权图,也称网 。
网中通常分为, A O V AOV AOV 网和 A O E AOE AOE

  • A O V AOV AOV 网:没有权值,或者权值都相同,主要是在于点与点之间的先后关系
  • A O E AOE AOE 网:有权值,每一个点称为事件,而边称为活动

1.2.12 稠密、稀疏图

  • 稠密图:点数较大,而边数较少的图称为稀疏图
  • 稠密图:点数较小,而边数较多的图称为稠密图

一般来说当图 G G G 满足 ∣ E ∣ < ∣ V ∣ l o g 2 ∣ V ∣ |E| < |V|log_2|V| E<Vlog2V 的时候,可以将图G定义为稀疏图,反之则为稠密图

1.2.13 路径、路径长度、回路

  • 路径:顶点 V u V_u Vu 到顶点 V v V_v Vv 的顶点序列 V p , V i 1 , V i 2 , … … , V u V_p,V_{i1},V_{i_2},……,V_u Vp,Vi1,Vi2,……,Vu 称为这两点的路径
  • 路径长度:路径上边的数目称为路径长度
  • 回路:起点和终点相同的非 0 0 0 路径长度的路径称为回路

1.2.14 简单路径、简单回路

  • 简单路径:在路径的顶点序列中顶点不重复的路径称为简单路径
  • 简单回路:除了起点和终点相同外其余顶点不重复的回路称为简单回路

1.2.15 距离

从顶点 u u u 出发到顶点 v v v 的最短路径若存在,则此路径的长度称为从 u u u v v v 的距离 。 若从 u u u ν ν ν 根本不存在路径,则记该距离为无穷 ( ∞ ) (∞) ()

1.2.16 有向树

一个顶点的入度为 0 0 0 、其余顶点的入度均为 1 1 1 的有向图,称为有向树

二、图的存储结构

2.1 邻接矩阵

通过一个一维矩阵 V V V 存储顶点信息,然后再通过一个二维矩阵 A A A 存储边的信息

对于无权图 A [ i ] [ j ] A[i][j] A[i][j] 的含义如下:

A [ i ] [ j ] = { 1 , 若 ( V i , V j ) 或者 < V i , V j > 是 E ( G ) 中的边 0 , 若 ( V i , V j ) 或者 < V i , V j > 不是 E ( G ) 中的边 A[i][j] = \begin{cases} 1 ,若(V_i,V_j)或者 <V_i,V_j>是E(G)中的边 \\ 0 ,若(V_i,V_j)或者 <V_i,V_j>不是E(G)中的边\\ \end{cases} A[i][j]={1,(Vi,Vj)或者<Vi,Vj>E(G)中的边0,(Vi,Vj)或者<Vi,Vj>不是E(G)中的边

对于有权图 A [ i ] [ j ] A[i][j] A[i][j] 的含义如下:
A [ i ] [ j ] = { V [ i ] [ j ] , 若 ( V i , V j ) 或者 < V i , V j > 是 E ( G ) 中的边 0 或 ∞ , 若 ( V i , V j ) 或者 < V i , V j > 不是 E ( G ) 中的边 A[i][j] = \begin{cases} V[i][j] ,若(V_i,V_j)或者 <V_i,V_j>是E(G)中的边 \\ 0或∞ ,若(V_i,V_j)或者 <V_i,V_j>不是E(G)中的边\\ \end{cases} A[i][j]={V[i][j],(Vi,Vj)或者<Vi,Vj>E(G)中的边0,(Vi,Vj)或者<Vi,Vj>不是E(G)中的边
我们可以将这个结构进行封装为如下形式:

#define MaxVertexNum 100
typedef struct {
	int Vex[MaxVertexNum];//存储当前顶点的表
	int Edge[MaxVertexNum][MaxVertexNum];//邻接矩阵表
	int vexnum, arcnum;//当前的顶点数和弧数
}

邻接矩阵存储表示法的特点:

  • ①无向图的邻接矩阵一定是一个对称矩阵且唯一,因此我们可以使用三角矩阵压缩存储,就能节省一半的空间
  • ②对于无向图邻接矩阵的第 i i i 行(列)的非 0 0 0 元素的个数就为第 i i i 个顶点的度
  • ③对于有向图邻接矩阵,第 i i i 行(列)的非 0 0 0 元素的个数就为第 i i i 个顶点的出度(入度)
  • ④邻接矩阵适合存储稠密图

一些通过邻接矩阵存储的图的示例如下:
在这里插入图片描述

2.2 邻接表

我们对图中每一个顶点建一个单链表,然后链表的元素就为其所连接的点,这样就能节省大量的空间,这样的邻接表中存在两种类型的结点:顶点结点、边表结点
在这里插入图片描述
这个顶点结点就类似我们之前的头节点,下面是无向图和有向图的邻接链表的例子:

无向图:
在这里插入图片描述
有向图:
在这里插入图片描述
我们可以简单得到一下这个邻接表的结构:

#define MaxVertexNum 100 
typedef struct ArcNode{ //边表结点
	int adjvex; //该弧指向的顶点的位置
	struct ArcNode *next; //下一条弧的位置
	// infoType info;
}ArcNode; 
typedef struct VNode{ //顶点结点
	VertexType data; //顶点的信息,例如值之类的
	ArcNode *first;//第一个边表结点的位置
}VNode , AdjList[MaxVertexNum]; 
typedef struct{ 
	VNode AdjList[MaxVertexNum]; //顶点结点数组
	int vexnum,arcnum;//顶点数和弧数
} ALGraph;//封装的邻接表的图

邻接表存储方法特点:

  • ①若图 G G G 为无向图,则邻接表所需的存储空间为 O ( ∣ V ∣ + 2 ∣ E ∣ ) O(|V|+2|E|) O(V+2∣E) ,若图 G G G 为有向图,则邻接表所需的存储空间为 O ( ∣ V ∣ + ∣ E ∣ ) O(|V|+|E|) O(V+E)
  • ②邻接表适合稀疏图
  • ③图的邻接表表示不唯一,取决于边的读入顺序

2.3 十字链表

首先来说,十字链表是对于有向图而言的,有一点邻接表和邻接矩阵结合的感觉,首先对于每一个顶点来说有一个顶点结点的概念,然后对于其指向的边结点有一个弧结点的概念

  • 顶点结点有三个域

    • data 域存放顶点相关的数据信息,
    • firstin 域指向以该顶点为弧头的第一个弧结点(比如这个结点是第二个结点,那么就指向第二列,从上往下看的第一个弧节点元素,当然若是没有的话则指向NULL
    • firstout 域指向以该顶点为弧尾的第一个弧结点(比如这个结点是第三个结点,那么就指向第三行 的第一个弧结点元素)
  • 弧结点有五个域

    • tailvex 尾域表示弧尾的位置(显然对于某一行数据来说,弧尾域都是一样的)
    • headvex 头域表示弧头的位置(显然对于某一列数据来说,弧头域都是一样的)
    • hlink 链域指向弧头相同的下一条弧(其实就是对于每一列的弧结点元素来说,上下相邻的元素从上往下指)
    • tlink 链域指向弧尾相同的下一条弧(其实就是对于每一行的弧结点元素来说,左右相邻的元素从左往右指)
    • info 域一般用于弧的值的存储

例如如下有向图构建的十字链表:
在这里插入图片描述

注意:上图中的弧结点没有info

2.4 邻接多重链表

邻接多重表是无向图的另一种链式存储结构,着重于边与边以及边与点的关系,与十字链表类似,邻接多重表也有顶点结点以及边结点

  • 顶点结点有两个域

    • data
    • firstedge 用于存储与该结点相连的第一条边
  • 边结点有六个域(但是一般只用其中间的四个)

    • mark 域用于标记这个边是否进行操作过, 0 0 0 表示没操作过, 1 1 1 表示操作过了
    • ivex 用于表示该边的其中一个结点在图中的下标
    • ilink 用于表示与结点 ivex 相邻的第一条边
    • jvex 用于表示该边的另一个结点在图中的下标
    • jlink 用于表示与结点 jvex 相邻的第一条边
    • info 用于表示该边的一些权值等信息

下面是一些绘制邻接多重表的步骤:

  • ①我们仍然可以先画出该图的邻接表(但不要画箭头)
  • ②因为该图是一个无向图,所以我们需要将重复的边进行删除(统一规划一下可以尽量从往上删除)
  • ③然后从每一个顶点结点出发,指向边结点中与之对应的 i l i n k ilink ilink 或者 j l i n k jlink jlink 这里的话有两种方式
    • 第一种按照 D F S DFS DFS 的方法,不断在边结点中找到下一个边结点的位置,直到完成所有的边,再从下一个顶点结点出发
    • 第二种按照 B F S BFS BFS 的方法,首先找到第一个顶点结点的下一个相邻结点,然后再完成下一个顶点结点,然后再不断完成边界点的关系指向
      例如假设我们有如下的图结构:
      在这里插入图片描述
      我们需要绘制邻接表,然后删除重复的边:
      在这里插入图片描述
      然后我们采用BFS的方法先完成顶点结点的指向
      在这里插入图片描述
      然后就是不断根据边结点进行连接了,于是我们就得到了多重邻接表的画法(当然多重邻接表不一定唯一)在这里插入图片描述

三、图的遍历方法

也可参见我的另一篇介绍:https://acmer.blog.csdn.net/article/details/122310835

3.1 广度优先搜索(BFS)

图的广度优先搜索类似于树的层序遍历,不断地将未访问的结点放入队列,然后出队,再将出队元素所连接的所有未访问点放入队列,这个当队列为空的时候,我们就完成了图的广度优先搜索,简单的搜索如下:

bool vis[N];
void bfs(int s){
	queue<int> que;
	que.push(s);
	vis[s] = true;
	while(!que.empty()){
		int t = que.front();
		que.pop();
		printf("%d\t",t);
		for(int i = 0,l = V[t].size();i < l; ++i) {
			if(!vis[V[t][i]]){
				que.push(V[t][i]);
				vis[V[t][i]] = true;
			}
		}
	}
}

void BFS_Traverse(int n) {
	memset(vis,false,sizeof vis);
	for(int i = 1;i <= n; ++i) {
		if(!vis[i]) bfs(i);
	}
}

当然另一个 B F S BFS BFS 的例子是求解单源最短路问题,用的是一个以 1 1 1 为源点,然后求得是到 n n n 的最短距离(当然边权都为 1 1 1

int dis[N];
bool vis[N];
int bfs(){
	memset(dis,0x3f,sizeof dis);
	queue<int> que;
	dis[1] = 0;
	que.push(1);
	vis[1] = true;
	while(!que.empty()){
		int t = que.front();
		que.pop();
		if(t == n)
			return dis[n];
		for(int i = 0,l = V[t].size();i < l; ++i) {
			if(!vis[V[t][i]]){
				que.push(V[t][i]);
				dis[V[t][i]] = dis[t] + 1;
				vis[V[t][i]] = true;
			}
		}
	}
	return -1;
}

ps :
① 如果是想输出这个最短路径的话,我们可以用一个数组记录每一步的前一个点的位置,然后递归输出一下即可
② 要是想获取层次遍历的结果,只需要在队首元素每次取出的时候输出即可

我们来分析 B F S BFS BFS 的时间和空间复杂度

  • 邻接矩阵存储:时间复杂度为 O ( ∣ V ∣ 2 ) = O ( n 2 ) O(|V|^2) = O(n^2) O(V2)=O(n2) ,空间复杂度为 O ( ∣ V ∣ ) = O ( n ) O(|V|) = O(n) O(V)=O(n)
  • 邻接表存储:时间复杂度为 O ( ∣ V ∣ + ∣ E ∣ ) = O ( n + e ) O(|V| + |E|) = O(n + e) O(V+E)=O(n+e) ,空间复杂度为 O ( ∣ V ∣ ) = O ( n ) O(|V|) = O(n) O(V)=O(n)

3.2 深度优先搜索(DFS)

D F S DFS DFS 即优先深度搜索,可能会从一个点开始往一个方向一直往下搜,然后搜到尽头后就回溯,直到当前连通块的所有的结点全都被搜索过,就停止递归搜索,一般来说 D F S DFS DFS 的代码都会十分简洁,但是常数耗时会非常大

bool vis[N];//结点被访问情况
vector<int> Edge[N];//存储的边
void DFS(int s){//当前访问的结点
	if(vis[s]) return;
	vis[s] = true;//标记访问
	//do something
	for(int i = 0,l = Edge[s].size();i < l; ++i) {
		int v = Edge[s][i];
		dfs(v);//递归搜索
	}
}

void DFS_Traverse(int n) {
	memset(vis,false,sizeof vis);
	for(int i = 1;i <= n; ++i) {
		if(!vis[i]) dfs(i);
	}
}

我们可以明显看出 D F S DFS DFS 的代码较为简洁,我们来分析一下 D F S DFS DFS 的时间复杂度

  • 邻接矩阵存储:时间复杂度为 O ( ∣ V ∣ 2 ) = O ( n 2 ) O(|V|^2) = O(n^2) O(V2)=O(n2) ,空间复杂度为 O ( ∣ V ∣ ) = O ( n ) O(|V|) = O(n) O(V)=O(n)
  • 邻接表存储:时间复杂度为 O ( ∣ V ∣ + ∣ E ∣ ) = O ( n + e ) O(|V| + |E|) = O(n + e) O(V+E)=O(n+e) ,空间复杂度为 O ( ∣ V ∣ ) = O ( n ) O(|V|) = O(n) O(V)=O(n)

四、图的基本应用

4.1 最小生成树

最小生成树算法在我另一篇博客有较为详细的讲解:
https://acmer.blog.csdn.net/article/details/118560004

4.2 最短路径

最短路径算法在我另一篇博客有较为详细的讲解:(包括Floyd、bellman、SPFA、Dijkstra)

https://acmer.blog.csdn.net/article/details/123040285

4.3 有向无环图描述表达式

有向无环图:字面意思一个不存在环的有向图,简称 D A G DAG DAG
对于一个中缀表达式,我们首先是能够将其转化为二叉树的,例如:对于该表达式 ( a + b ) ( c − d ) (a+b)(c-d) (a+b)(cd) 的二叉树结构如下:
在这里插入图片描述
再来个复杂点的表达式:
( ( a + b ) ∗ ( b ∗ ( c + d ) ) + ( c + d ) ∗ e ) ∗ ( ( c + d ) ∗ e ) ( ( a + b) * ( b * ( c + d)) + ( c + d) * e) * ( ( c + d) * e) ((a+b)(b(c+d))+(c+d)e)((c+d)e)

还是先画出这个表达式的二叉树结构
在这里插入图片描述
我们发现对于根结点的右子树 ( c + d ) ∗ e (c+d)*e (c+d)e 其实可以删掉,,用根节点指向另一个一样的子树结点,于是得到了如下结构:

在这里插入图片描述
然后我们发现子树结构 ( c + d ) (c+d) (c+d) 其实也是重复的,于是我们决定删除一个,就得到了如下结构:
在这里插入图片描述
然后我们发现结点 b b b 其实也是重复的,于是我们删除一个就得到了:
在这里插入图片描述
我们发现化二叉树为 D A G DAG DAG 图的时候实际上就是将二叉树重复的子树删掉,并且将分支结点指向其中一个子树即可

4.4 拓扑排序

拓扑排序算法在我另一篇博客有较为详细的讲解:
https://acmer.blog.csdn.net/article/details/126533628

4.5 关键路径

关键路径算法在我另一篇博客有较为详细的讲解:
https://acmer.blog.csdn.net/article/details/126537260

五、错题

选择题

在这里插入图片描述

E ′ E' E 中的边对应的顶点不是 V ′ V' V 的元素, V ′ V' V E ′ {E'} E 无法构成图,故选项 B B B
且若图非连通, 则从某一顶点出发无法出问到其他全部顶点,选项 D D D 的说法不准确

在这里插入图片描述

若无向图中本来就是连通的,那么该图有且只有一个连通分量(极大连通子图)就是其本身(若是其子集构成的新无向图则不是原图的连通分量,而是属于新图的连通分量)
若无向图不是连通的,那么其每一个连通子图都是一个连通分量

在这里插入图片描述

这里符合深度优先遍历的序列数只有第一个以及第四个,其余都不符合


判断有向图中是否存在回路,除可以利用拓扑排序外,还可以利用什么算法? ( C ) (C) (C)

  • A. 求关键路径的方法
  • B. 求最短路径的 Dijkstra 算法
  • C. 深度优先边历算法
  • D. 广度优先选历算法
    解析:利用深度优先遍历可以判断图 G G G 中是否存在回路。对于无向图来说,若深度优先遍历过程中遇到了回边,则必定存在环;对于有向图来说,这条回边可能是指向深度优先森林中另一棵生成树上的顶点的弧;但是,从有向图的某个顶点 v v v 出发进行深度优先遍历时,若在 D F S ( v ) DFS(v) DFS(v)结束之前 出现一条从顶点 u u u 到顶点 v v v 的回边,且 u u u 在生成树上是 v v v 的子孙,则有向图必定存在包含顶点 v v v 和顶点 u u u 的环

在这里插入图片描述

对一个有向图做深度优先遍历,并未专门判断有向图是否有环(有向回路〉存在,无论图中 是否有环,都得到一个顶点序列。若无环,在退出边归过程中输出的应是逆拓扑有序序列。对有向无环图利用深度优先搜索进行拓扑排序的例子如下:
如下图所示,退出 D F S DFS DFS 栈的顺序为 e f g d c a h b efgdcahb efgdcahb ,此图的一个拓扑序列为 b h a c d g f e bhacdgfe bhacdgfe 。该方法的每一步均是先输出当前无后继的结点,即对每个结点 v v v ,先递归地求出 v v v 的每个后继的拓扑序列。 对于一个 A O V AOV AOV 网,按此方法输出的序列是一个逆拓扑序列 。
在这里插入图片描述

在这里插入图片描述

若不存在拓扑排序,则表示圈中必定存在回路,该回路构成一个强连通分量

在这里插入图片描述

  • Ⅰ Ⅰ 中,对于一个存在环路的有向图,使用拓扑排序算法运行后,肯定会出现有环的子图,在此环中无法再找到入度为 0 0 0 的结点,拓扑排序也就进行不下去。
  • Ⅱ Ⅱ 中,注意,若两个结点之间不存在祖先或子孙关系,则它们在拓扑序列中的关系是任意的(即前后关系任意),因此使用栈和队列都可以,因为进栈或队列的都是入度为 0 0 0 的结点,此时入度为 0 0 0 的所有结点是没有关系的。
  • Ⅲ Ⅲ 中,若拓扑有序序列唯一,则很自然地让人联系到一个线性的有向图**(错误)**,下图的拓扑序列也是唯一的,但度却不满足条件
    在这里插入图片描述

在这里插入图片描述

总共有五种:

  • ABCDEFG
  • ABCDFEG
  • ABDCEEG
  • ABDCFEG
  • ABCFDEG

在这里插入图片描述

  • Ⅰ Ⅰ :有向图中的度为入度加出度,而矩阵中第 V V V 行只能代表点 V V V 的出度数
  • Ⅱ Ⅱ :无向图的邻接矩阵一定是对称矩阵,有向图的邻接矩阵也有可能是对称矩阵
  • Ⅲ Ⅲ :最小生成树中的 n − 1 n-1 n1 条边并不能保证是图中权值最小的 n − 1 n - 1 n1 条边, 因为权值最小的 n − 1 n-1 n1 条边并不一定能使图连通,所以会存在某条边权值超过未选的边
  • Ⅳ Ⅳ :有向无环图的拓扑序列唯一并不能唯一确定该图。在下图所示的两个有向无环图中,拓扑序列都为 V 1 , V 2 , V 3 , V 4 V_1, V_2, V_3,V_4 V1,V2,V3,V4
    在这里插入图片描述

在这里插入图片描述

先将该表达式转换成有向二叉树,注意到该二叉树中有些顶点是重复的,为了节省存储空间, 可以去除重复的顶点(使顶点个数达到最少),将有向二叉树去重转换成有向无环图,如下图所示。
在这里插入图片描述

  • 11
    点赞
  • 14
    收藏
  • 打赏
    打赏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
©️2022 CSDN 皮肤主题:大白 设计师:CSDN官方博客 返回首页
评论 3

打赏作者

MangataTS

你的鼓励将是我创作的最大动力

¥2 ¥4 ¥6 ¥10 ¥20
输入1-500的整数
余额支付 (余额:-- )
扫码支付
扫码支付:¥2
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值