代码随想录算法训练营第五十七天 | 53. 寻宝-kruskal算法

目录

53. 寻宝

思路

方法一： kruskal

心得收获 

Prim和Kruskal的区别

---

53. 寻宝

• 题目链接：卡码网：53. 寻宝

• 文章讲解：代码随想录 

在世界的某个区域，有一些分散的神秘岛屿，每个岛屿上都有一种珍稀的资源或者宝藏。国王打算在这些岛屿上建公路，方便运输。

不同岛屿之间，路途距离不同，国王希望你可以规划建公路的方案，如何可以以最短的总公路距离将 所有岛屿联通起来。

给定一张地图，其中包括了所有的岛屿，以及它们之间的距离。以最小化公路建设长度，确保可以链接到所有岛屿。

输入描述：

第一行包含两个整数V 和 E，V代表顶点数，E代表边数 。顶点编号是从1到V。例如：V=2，一个有两个顶点，分别是1和2。

接下来共有 E 行，每行三个整数 v1，v2 和 val，v1 和 v2 为边的起点和终点，val代表边的权值。

输出描述：

输出联通所有岛屿的最小路径总距离

输入示例：

7 11
1 2 1
1 3 1
1 5 2
2 6 1
2 4 2
2 3 2
3 4 1
4 5 1
5 6 2
5 7 1
6 7 1

输出示例：

6

思路

本篇我们来讲解另一个算法：Kruskal，同样可以求最小生成树。

prim 算法是维护节点的集合，而 Kruskal 是维护边的集合。

上来就这么说，大家应该看不太懂，这里是先让大家有这么个印象，带着这个印象在看下文，理解的会更到位一些。

kruscal的思路：

• 边的权值排序，因为要优先选最小的边加入到生成树里
• 遍历排序后的边
  • 如果边首尾的两个节点在同一个集合，说明如果连上这条边图中会出现环
  • 如果边首尾的两个节点不在同一个集合，加入到最小生成树，并把两个节点加入同一个集合

下面我们画图举例说明kruscal的工作过程。

依然以示例中，如下这个图来举例。

将图中的边按照权值有小到大排序，这样从贪心的角度来说，优先选 权值小的边加入到 最小生成树中。

排序后的边顺序为[(1,2) (4,5) (1,3) (2,6) (3,4) (6,7) (5,7) (1,5) (3,2) (2,4) (5,6)]

(1,2) 表示节点1 与 节点2 之间的边。权值相同的边，先后顺序无所谓。

开始从头遍历排序后的边。

---

选边(1,2)，节点1 和 节点2 不在同一个集合，所以生成树可以添加边(1,2)，并将 节点1，节点2 放在同一个集合。

---

选边(4,5)，节点4 和 节点 5 不在同一个集合，生成树可以添加边(4,5) ，并将节点4，节点5 放到同一个集合。

大家判断两个节点是否在同一个集合，就看图中两个节点是否有绿色的粗线连着就行

---

（这里在强调一下，以下选边是按照上面排序好的边的数组来选择的）

选边(1,3)，节点1 和 节点3 不在同一个集合，生成树添加边(1,3)，并将节点1，节点3 放到同一个集合。

---

选边(2,6)，节点2 和 节点6 不在同一个集合，生成树添加边(2,6)，并将节点2，节点6 放到同一个集合。

---

选边(3,4)，节点3 和 节点4 不在同一个集合，生成树添加边(3,4)，并将节点3，节点4 放到同一个集合。

---

选边(6,7)，节点6 和 节点7 不在同一个集合，生成树添加边(6,7)，并将 节点6，节点7 放到同一个集合。

---

选边(5,7)，节点5 和 节点7 在同一个集合，不做计算。

选边(1,5)，两个节点在同一个集合，不做计算。

后面遍历 边(3,2)，(2,4)，(5,6) 同理，都因两个节点已经在同一集合，不做计算。

---

此时 我们就已经生成了一个最小生成树，即：

在上面的讲解中，看图的话 大家知道如何判断 两个节点 是否在同一个集合（是否有绿色的线连在一起），以及如何把两个节点加入集合（就在图中把两个节点连上）

但在代码中，如果将两个节点加入同一个集合，又如何判断两个节点是否在同一个集合呢？

这里就涉及到我们之前讲解的并查集。

我们在并查集开篇的时候就讲了，并查集主要就两个功能：

• 将两个元素添加到一个集合中
• 判断两个元素在不在同一个集合

方法一： kruskal

class Edge:
    def __init__(self, l, r, val):
        self.l = l
        self.r = r
        self.val = val

n = 10001
father = list(range(n))

def init():
    global father
    father = list(range(n))

def find(u):
    if u != father[u]:
        father[u] = find(father[u])
    return father[u]

def join(u, v):
    u = find(u)
    v = find(v)
    if u != v:
        father[v] = u

def kruskal(v, edges):
    edges.sort(key=lambda edge: edge.val)
    init()
    result_val = 0

    for edge in edges:
        x = find(edge.l)
        y = find(edge.r)
        if x != y:
            result_val += edge.val
            join(x, y)

    return result_val

if __name__ == "__main__":
    import sys
    input = sys.stdin.read
    data = input().split()

    v = int(data[0])
    e = int(data[1])

    edges = []
    index = 2
    for _ in range(e):
        v1 = int(data[index])
        v2 = int(data[index + 1])
        val = int(data[index + 2])
        edges.append(Edge(v1, v2, val))
        index += 3

    result_val = kruskal(v, edges)
    print(result_val)

心得收获 

此时我们已经讲完了 Kruskal 和 prim 两个解法来求最小生成树。

什么情况用哪个算法更合适呢。

Kruskal 与 prim 的关键区别在于，prim维护的是节点的集合，而 Kruskal 维护的是边的集合。 如果 一个图中，节点多，但边相对较少，那么使用Kruskal 更优。

有录友可能疑惑，一个图里怎么可能节点多，边却少呢？

节点未必一定要连着边那， 例如 这个图，大家能明显感受到边没有那么多对吧，但节点数量 和 上述我们讲的例子是一样的。

为什么边少的话，使用 Kruskal 更优呢？

因为 Kruskal 是对边进行排序的后 进行操作是否加入到最小生成树。

边如果少，那么遍历操作的次数就少。

在节点数量固定的情况下，图中的边越少，Kruskal 需要遍历的边也就越少。

而 prim 算法是对节点进行操作的，节点数量越少，prim算法效率就越优。

所以在 稀疏图中，用Kruskal更优。 在稠密图中，用prim算法更优。

边数量较少为稀疏图，接近或等于完全图（所有节点皆相连）为稠密图

Prim 算法 时间复杂度为 O(n^2)，其中 n 为节点数量，它的运行效率和图中边树无关，适用稠密图。

Kruskal算法 时间复杂度 为 nlogn，其中n 为边的数量，适用稀疏图。

Prim和Kruskal的区别

Prim算法和Kruskal算法都是用于求解 最小生成树（MST） 的经典贪心算法。尽管它们的目标相同，但它们的实现方式和使用的数据结构有所不同。

1. 思路与操作对象的区别
   Prim算法：
   节点为中心：Prim算法从一个起始节点开始，不断向已连接的生成树中添加最小边。它通过逐步扩展树的节点来构建最小生成树。
   局部贪心策略：每次选择的都是与已构建的生成树相连的最小边。
   Kruskal算法：
   边为中心：Kruskal算法从所有边中选择权值最小的边开始，逐步将未连通的部分通过边连接起来。
   全局贪心策略：Kruskal算法直接对所有边进行排序，然后逐步选择不会形成环的最小边。
2. 使用的数据结构
   Prim算法：
   邻接矩阵或邻接表：通常使用邻接矩阵或邻接表来表示图，逐步更新已连接节点与其他未连接节点之间的最小权值。
   优先队列（可选）：使用优先队列（堆）优化查找最小边的操作，复杂度可以优化为 O(E log V)。
   Kruskal算法：
   边列表：Kruskal算法将所有边按权值排序，然后依次选择边，因此直接使用边的列表。
   并查集（Union-Find）：Kruskal算法需要并查集来判断两个节点是否已经在同一集合中，用于检测是否形成环路。
3. 适用的图类型
   Prim算法：
   适用于稠密图：由于 Prim算法逐步扩展已连接的节点集合，因此在边数较多的稠密图中表现较好。
   时间复杂度为 O(V^2)（邻接矩阵）或 O(E log V)（使用优先队列的邻接表）。
   Kruskal算法：
   适用于稀疏图：Kruskal算法对边进行排序并依次选择最小边，在边数较少的稀疏图中表现较好。
   时间复杂度为 O(E log E)，其中 E 是边数。
4. 执行流程
   Prim算法：
   从任意起始节点开始，将该节点标记为已访问。
   每次选择已访问节点集合中与未访问节点集合之间的最小边，将新节点加入最小生成树。
   重复该过程，直到所有节点都被访问。
   Kruskal算法：
   将所有边按权值从小到大排序。
   依次选择最小的边，如果该边连接的两个节点不在同一集合中，则将它们加入最小生成树，并使用并查集进行合并。
   重复该过程，直到树中包含 n-1 条边。
5. 结束条件
   Prim算法：
   当所有节点都已加入生成树时，算法结束。
   Kruskal算法：
   当选中的边数达到 n-1 条时，算法结束（其中 n 是节点数）。

————————————————

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.csdn.net/qq_42952637/article/details/142101328