图论基本概念
图的表示 (Graph Representation)
- G(E, V): 图由顶点集合 VVV 和边集合 EEE 组成。
- VVV 顶点集:图中的节点。
- EEE 边集:节点之间的连接。
- 无向图 (Undirected Graph): 边没有方向,表示为二元组 (u, v)。
- 有向图 (Directed Graph): 边有方向,表示为二元组 <u, v>。
图的分类
- 稠密图 (Dense Graph): 边的数量接近于 V^2。
- 稀疏图 (Sparse Graph): 边的数量远小于 V^2。
图的表示方法
- 邻接矩阵 (Adjacency Matrix):
- 用一个 n×nn \times nn×n 的矩阵表示图,适用于稠密图。
- 优点:查找两点之间的边很快。
- 缺点:空间复杂度较高。
- 邻接表 (Adjacency List):
- 用链表或数组来表示每个顶点的邻接点,适用于稀疏图。
- 优点:空间效率高。
- 缺点:查找特定边较慢。
核心算法
1. 拓扑排序 (Topological Sorting)
- 适用于有向无环图 (DAG, Directed Acyclic Graph)。
- 用于解决任务依赖问题,例如在任务存在前后顺序的情况下,如何安排任务的执行顺序。
- 常见方法:
- Kahn’s Algorithm: 基于入度(indegree)的广度优先搜索。
- 深度优先搜索 (DFS): 基于逆拓扑序的递归。
2. 最小生成树 (Minimum Spanning Tree, MST)
- 适用于无向连通图。
- 在图中选出 n-1 条边,使得所有顶点连通且路径权重和最小。
- 常见算法:
- Prim’s Algorithm: 从一个节点开始,每次选择最小权重的边扩展树。
- Kruskal’s Algorithm: 先将所有边按权重排序,然后逐一添加边,确保不形成环。
3. 最短路径算法 (Shortest Path Algorithms)
- 解决从一个顶点到另一个顶点的最短路径问题。
- 常见算法:
- Dijkstra’s Algorithm: 适用于没有负权边的图,贪心算法。
- Bellman-Ford Algorithm: 处理有负权边的图,动态规划思想。
- Floyd-Warshall Algorithm: 解决所有点对之间的最短路径,适用于稠密图。