七、图结构

七、图结构

7.1 图的简介

图是什么？

• 图结构是一种与树结构有些相似的数据结构

• 图论是数学的一个分支，并且在数学中，树是图的一种

• 图论以图为研究对象，研究顶点和边组成的图形的数学理论和方法

• 主要的研究目的为：事物之间的联系，顶点代表事物，边代表两个事物间的关系

图的特点

• 一组顶点：通常用V（Vertex）表示顶点的集合

• 一组边：通常用E（Edge）表示边的集合

  • 边是顶点和顶点之间的连线

  • 边可以是有向的，也可以是无向的。比如 A—B 表示无向， A—> B 表示有向

图的常用术语

• 顶点：表示图中的一个节点；

• 边：表示顶点和顶点之间的连线；

• 相邻顶点：由一条边连接在一起的顶点称为相邻顶点；

• 度：一个顶点的度是相邻顶点的数量；

• 路径：

  • 简单路径：简单路径要求不包含重复的顶点；

  • 回路：第一个顶点和最后一个顶点相同的路径称为回路；

• 无向图：图中的所有边都是没有方向的；

• 有向图：图中的所有边都是有方向的；

• 无权图：无权图中的边没有任何权重意义；

• 带权图：带权图中的边有一定的权重含义；
  

7.2 图的表示

邻接矩阵

表示图的常用方式为：邻接矩阵。

• 可以使用二维数组来表示邻接矩阵；

• 邻接矩阵让每个节点和一个整数相关联，该整数作为数组的下标值；

• 使用一个二维数组来表示顶点之间的连接；


如上图所示：

• 二维数组中的0表示没有连线，1表示有连线；

• 如：A[ 0 ] [ 3 ] = 1，表示 A 和 C 之间有连接；

• 邻接矩阵的对角线上的值都为0，表示A - A ，B - B，等自回路都没有连接（自己与自己之间没有连接）；

• 若为无向图，则邻接矩阵应为对角线上元素全为0的对称矩阵；
  

邻接矩阵的问题

如果图是一个稀疏图，那么邻接矩阵中将存在大量的 0，造成**存储空间的浪费 **

邻接表

另外一种表示图的常用方式为：邻接表。

• 邻接表由图中每个顶点以及和顶点相邻的顶点列表组成；

• 这个列表可用多种方式存储，比如：**数组/链表/字典（哈希表）**等都可以；

![AMMKaTeX parse error: Expected 'EOF', got '}' at position 1: }̲5Y5H(`J5JP4EHG}…}5Y5H(`J5JP4EHG}V]Y.jpg&originHeight=632&originWidth=1024&originalType=binary&ratio=1&rotation=0&showTitle=false&size=40721&status=done&style=none&taskId=u300123d3-932d-408e-a18d-c81e420def0&title=&width=540)

如上图所示：

• 图中可清楚看到A与B、C、D相邻，假如要表示这些与A顶点相邻的顶点（边），可以通过将它们作为A的值（value）存入到对应的数组/链表/字典中。

• 之后，通过键（key）A可以十分方便地取出对应的数据；
  

邻接表的问题

• 邻接表可以简单地得出度，即某一顶点指向其他顶点的个数；

• 但是，邻接表计算入度（指向某一顶点的其他顶点的个数称为该顶点的入度）十分困难。此时需要构造逆邻接表才能有效计算入度；
  

7.3 封装图结构

在实现过程中采用邻接表的方式来表示边，使用字典类来存储邻接表

添加字典类和队列类

首先需要引入之前实现的，之后会用到的字典类和队列类

//封装字典类
function Dictionary() {
  //字典属性
  this.items = {}

  //字典操作方法
  //一.在字典中添加键值对
  Dictionary.prototype.set = function (key, value) {
    this.items[key] = value
  }

  //二.判断字典中是否有某个key
  Dictionary.prototype.has = function (key) {
    return this.items.hasOwnProperty(key)
  }

  //三.从字典中移除元素
  Dictionary.prototype.remove = function (key) {
    //1.判断字典中是否有这个key
    if (!this.has(key)) return false

    //2.从字典中删除key
    delete this.items[key]
    return true
  }

  //四.根据key获取value
  Dictionary.prototype.get = function (key) {
    return this.has(key) ? this.items[key] : undefined
  }

  //五.获取所有keys
  Dictionary.prototype.keys = function () {
    return Object.keys(this.items)
  }

  //六.size方法
  Dictionary.prototype.keys = function () {
    return this.keys().length
  }

  //七.clear方法
  Dictionary.prototype.clear = function () {
    this.items = {}
  }
}
//封装队列类
function Queue() {
  //属性
  this.items = []
  //方法
  //1.enqueue
  Queue.prototype.enqueue = (element) => {
    this.items.push(element)
  }
  //2.dequeue
  Queue.prototype.dequeue = () => {
    return this.items.shift()
  }
  //3.front
  Queue.prototype.front = () => {
    return this.items[0]
  }
  //4.isEmpty
  Queue.prototype.isEmpty = () => {
    return this.items.length === 0
  }
  //5.size
  Queue.prototype.size = () => {
    return this.items.length
  }
  //6.toString
  Queue.prototype.toString = () => {
    return this.items.join('')
  }
}

创建图类

function Graph (){
  //属性：顶点（数组）/边（字典）
  this.vertexes = []//顶点
  this.edges = new Dictionary()//边
}

添加顶点与边

创建一个数组对象vertexes存储图的顶点；创建一个字典对象edges存储图的边，其中key为顶点，value为存储key顶点相邻顶点的数组。

代码实现：

Graph.prototype.addVertex = function (v) {
  this.vertexes.push(v)
  this.edges.set(v, [])
}
Graph.prototype.addEdge = (v1,v2){
  this.edges.get(v1).push(v2)
  this.edges.get(v2).push(v1)
}

测试代码：

let graph = new Graph()
let myVertexes = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I']
for (let i = 0; i < myVertexes.length; i++) {
  graph.addVertex(myVertexes[i])
}
graph.addEdge('A', 'B');
graph.addEdge('A', 'C');
graph.addEdge('A', 'D');
graph.addEdge('C', 'D');
graph.addEdge('C', 'G');
graph.addEdge('D', 'G');
graph.addEdge('D', 'H');
graph.addEdge('B', 'E');
graph.addEdge('B', 'F');
graph.addEdge('E', 'I');
console.log(graph)

测试结果：



转换为字符串输出

为图类Graph添加toString方法，实现以邻接表的形式输出图中各顶点。

代码实现：

Graph.prototype.toString = () => {
  let resultString = ''
  for (let i = 0; i < this.vertexes.length; i++) {
    resultString += this.vertexes[i] + ' ---> '
    let vEdge = this.edges.get(this.vertexes[i])
    for (let j = 0; j < vEdge.length; j++) {
      resultString += vEdge[j] + ' '
    }
    resultString += '\n'
  }
  return resultString
}

测试代码：

console.log(graph.toString())

测试结果：


图的遍历

• 图的遍历思想：

  • 图的遍历思想与树的遍历思想一样，意味着需要将图中所有的顶点都访问一遍，并且不能有重复的访问

• 遍历图的两种算法

  • 广度优先搜索（Breach - First Serch，BFS）

• 深度优先搜索（Depth - First Serch ，DFS）

• 两种遍历算法都需要指定第一个被访问的的顶点

• 为了记录顶点是否被访问过，使用三种颜色来表示他们的状态

  • 白色：表示该顶点还没有被访问过

  • 灰色：表示该顶点被访问过，但其相邻顶点并未完全被访问过

  • 黑色：表示该顶点被访问过，且其相邻顶点都被访问过

首先封装initializeColor方法，将图中所有顶点初始化为白色，代码实现如下

Graph.prototype.initializeColor = () => {
  let colors = []
  for (let i = 0; i < this.vertexes.length; i++) {
    colors[this.vertexes[i]] = 'white'
  }
  return colors
}

广度优先搜索

• 广度优先搜索算法会从指定的第一个顶点开始遍历图，先访问其所有的相邻顶点，就像一次访问图的一层

• 也可以说是先宽后深的遍历图中的各个顶点

![5MHP8)ZKaTeX parse error: Expected 'EOF', got '#' at position 99: …39837afea8.jpeg#̲clientId=ua8b1b…GPW1IF`B0TG4XYW.jpg&originHeight=687&originWidth=1024&originalType=binary&ratio=1&rotation=0&showTitle=false&size=48469&status=done&style=none&taskId=u77ca0b46-99a1-4fe0-8144-db7da85ab44&title=)

实现思路：

基于队列可以简单地实现广度优先搜索算法：

• 首先创建一个队列Q（尾部进，首部出）；

• 调用封装的initializeColor方法将所有顶点初始化为白色；

• 指定第一个顶点A，将A标注为灰色（被访问过的节点），并将A放入队列Q中；

• 循环遍历队列中的元素，只要队列Q非空，就执行以下操作：

  • 先将灰色的A从Q的首部取出；

  • 取出A后，将A的所有未被访问过（白色）的相邻顶点依次从队列Q的尾部加入队列，并变为灰色。以此保证，灰色的相邻顶点不重复加入队列；

  • A的全部相邻节点加入Q后，A变为黑色，在下一次循环中被移除Q外；
    

代码实现：

Graph.prototype.bfs = (initV, handler) => {
  let colors = this.initializeColor()
  let que = new Queue()
  que.enqueue(initV)
  while(!que.isEmpty()){
    let v = que.dequeue()
    let vNeighbours = this.edges.get(v)
    colors[v] = 'gray'
    for (let i = 0; i < vNeighbours.length; i++) {
      const a = vNeighbours[i]
      if(colors[a] == 'white'){
        colors[a] = 'gray'
        que.enqueue(a)
      }
    }
    handler(v)
    colors[v] = 'black'
  }
}

测试代码：

//4.测试bfs遍历方法
let result = ""
graph.bfs(graph.vertexes[0], function(v){
  result += v + "-"
})
console.log(result);

测试结果:


深度优先搜索

• 深度优先搜索算法会从指定的第一个顶点开始遍历图，沿着路经直到这条路径的最后一个顶点被访问了

• 接着原路回退，并探索下一条路径


实现思路：

• 可以使用栈结构来实现深度优先搜索算法；

• 深度优先搜索算法的遍历顺序与二叉搜索树中的先序遍历较为相似，同样可以使用递归来实现（递归的本质就是函数栈的调用）。

• 基于递归实现深度优先搜索算法：定义dfs方法用于调用递归方法dfsVisit，定义dfsVisit方法用于递归访问图中的各个顶点。

• 在dfs方法中：

  • 首先，调用initializeColor方法将所有顶点初始化为白色；

  • 然后，调用dfsVisit方法遍历图的顶点；

• 在dfsVisit方法中：

  • 首先，将传入的指定节点**v标注为灰色；

**

• 接着，处理顶点V；

• 然后，访问V的相邻顶点；

• 最后，将顶点V标注为黑色；
  

代码实现：

Graph.prototype.bfs = (initV, handler) => {
  let colors = this.initializeColor()
  let que = new Queue()
  que.enqueue(initV)
  while(!que.isEmpty()){
    let v = que.dequeue()
    let vNeighbours = this.edges.get(v)
    colors[v] = 'gray'
    for (let i = 0; i < vNeighbours.length; i++) {
      const a = vNeighbours[i]
      if(colors[a] == 'white'){
        colors[a] = 'gray'
        que.enqueue(a)
      }
    }
    handler(v)
    colors[v] = 'black'
  }
}

测试代码：

//4.测试bfs遍历方法
let result = ""
graph.dfs(graph.vertexes[0], function(v){
  result += v + "-"
})
console.log(result);

测试结果:


完整实现

function Graph() {
  //属性：顶点（数组）/边（字典）
  this.vertexes = []//顶点
  this.edges = new Dictionary()//边

  Graph.prototype.addVertex = function (v) {
    this.vertexes.push(v)
    this.edges.set(v, [])
  }
  Graph.prototype.addEdge = (v1, v2) => {
    this.edges.get(v1).push(v2)
    this.edges.get(v2).push(v1)
  }
  Graph.prototype.toString = () => {
    let resultString = ''
    for (let i = 0; i < this.vertexes.length; i++) {
      resultString += this.vertexes[i] + ' ---> '
      let vEdge = this.edges.get(this.vertexes[i])
      for (let j = 0; j < vEdge.length; j++) {
        resultString += vEdge[j] + ' '
      }
      resultString += '\n'
    }
    return resultString
  }
  Graph.prototype.initializeColor = () => {
    let colors = []
    for (let i = 0; i < this.vertexes.length; i++) {
      colors[this.vertexes[i]] = 'white'
    }
    return colors
  }
  Graph.prototype.bfs = (initV, handler) => {
    let colors = this.initializeColor()
    let que = new Queue()
    que.enqueue(initV)
    while (!que.isEmpty()) {
      let v = que.dequeue()
      let vNeighbours = this.edges.get(v)
      colors[v] = 'gray'
      for (let i = 0; i < vNeighbours.length; i++) {
        const a = vNeighbours[i]
        if (colors[a] == 'white') {
          colors[a] = 'gray'
          que.enqueue(a)
        }
      }
      handler(v)
      colors[v] = 'black'
    }
  }

  Graph.prototype.dfs = (initV, handler) => {
    let colors = this.initializeColor()
    this.dfsVisit(initV, colors, handler)
  }
  Graph.prototype.dfsVisit = (v, colors, handler) => {
    colors[v] = 'gray'
    handler(v)
    let vNeighbours = this.edges.get(v)
    for (let i = 0; i < vNeighbours.length; i++) {
      let a = vNeighbours[i]
      if (colors[a] == 'white') {
        this.dfsVisit(a, colors, handler)
      }
    }
    colors[v] = 'black'
  }


}
let graph = new Graph()
let myVertexes = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I']
for (let i = 0; i < myVertexes.length; i++) {
  graph.addVertex(myVertexes[i])
}
graph.addEdge('A', 'B');
graph.addEdge('A', 'C');
graph.addEdge('A', 'D');
graph.addEdge('C', 'D');
graph.addEdge('C', 'G');
graph.addEdge('D', 'G');
graph.addEdge('D', 'H');
graph.addEdge('B', 'E');
graph.addEdge('B', 'F');
graph.addEdge('E', 'I');
console.log(graph)
console.log(graph.toString())
//4.测试bfs遍历方法
let result = ""
graph.bfs(graph.vertexes[0], function (v) {
  result += v + "-"
})
console.log(result)
let result2 = ""
graph.dfs(graph.vertexes[0], function (v) {
  result2 += v + "-"
})
console.log(result2)