【算法学习】数据结构——图 （一）基础笔记

一. 概念

不说了
$N$：顶点： 必须有
$E$：边： 可以没有
多对多的关系

线性表：一对一
树： 一对多
图： 多对多

无向边： （V,W）
有向边： <V，W>
带权重的图是网络

2. 程序中的表示

1. 邻接矩阵：

G[N][N] ——N个定点从0-N-1编号
$$G[i][j]=\{\begin{array}{ll}权& \text{if <vi,vj>是G的边}\\ 0& \text{否则}\end{array}$$

邻接表对于无向图：

• 对角元是0
• 对称矩阵
• 一半空间浪费

优点：

• 简单粗暴
• 方便检查任意一对顶点是否有边
• 方便找任一顶点的所有邻接点
• 方便计算任一顶点的度
  • 无向图：对应行/列非0元素个数
  • 有向图：对应行非0元素的个数是出度，对应列非0元素的个数是入度

缺点：

• 存稀疏图浪费空间（但对于稠密图甚至完全图是很合算的）
• 稀疏图还浪费时间（例如统计稀疏图一共多少条边，全部遍历）

怎样节约一半空间：

• 用一个长为 N(N-1)/2的一维数组存储（按行存储）下三角阵：$G_{00},G_{10}，...,G_{n-1.n-1}$
• $G_{ij}$对应的下标为：$i（i+1）/2+j$ （首项1，末项i，项数i）
  

2.邻接表

$G(N)$为为每个结点开辟的指针数组，对应矩阵每行一个链表，只存非零元素，表示方式不唯一

• 每条边被存了两遍

• 一定要稀疏才合算
  优点：

• 便于找任意结点的所有邻接点

• 节约稀疏图的空间

  • N个头指针+2E个结点(每个结点至少2个域)
  • 节约空间图的边需要满足：$N+2E\ast 2<N^2$

• 对于顶点的度的计算：

  • 无向图： 方便
  • 有向图：只能计算出度，需要构造逆邻接表（存储指向自己的边）来计算入度

对于有N个顶点，E条边的图，

• 用邻接表表示，遍历所有边的时间复杂度为$O(N+E)$ 其实是($O(N+2E)$)
• 用邻接矩阵表示，遍历所有边的时间复杂度为$O(N^2)$

3. python实现（待补充）

# 图的邻接矩阵实现

二. 遍历

DFS——深度优先

类似树的先序遍历
伪码如下：

void DFS(Vertex V)
{
	visited[ V] = true;  /*访问该节点*/
	for (V的每个邻接点 W)
	{
		if (! visited[W]) /*如果没有访问*/
			DFS(W)  /*
	}	
}

时间复杂度：

• 邻接表： $O(N+E)$
• 邻接矩阵：$O(N^2)$

BFS——广度优先

类似树的层序遍历，借助了队列

伪码如下：

void BFS(Vertext V)
{	visited[V] = true;  // 访问它
	Enqueue(V,Q) ; //入队
	while (!IsEmpty(Q)) //队不空
	{	V = Dequeue(Q); // 弹出一个结点访问它的邻接点
		for (V 的每个邻接点 W)
			if (!visited[W])  // 如果邻接点没访问过
			{	visited[W] = true;  
				Enqueue(W,Q) ; // 访问它并入队
			}
	}
}

时间复杂度：

• 邻接表：$O（N+E）$
• 邻接矩阵： $O(N^2)$

其他

无向图：

• 连通图：任意两点有路径联通
• 连通分量：无向图的极大连通子图

有向图：

• 强连通：任意两点存在双向路径
• 强连通图
• 强连通分量:

每次使用DFS/BFS都是访问了一个图的一个强连通分量
对于不连通的图要对每个连通分量做遍历