一、图结构
图有很多种存储方式,主要有邻接表和邻接矩阵两种。邻接表以点集为单位,邻接矩阵以边集为单位。
//图的大结构
public class Graph {
public HashMap<Integer,Node> nodes; //点集
public HashSet<Edge> edges; //边集
public Graph(){
nodes = new HashMap<>();
edges = new HashSet<>();
}
}
//点结构
public class Node {
public int value;
public int in;
public int out;
public ArrayList<Node> nexts;
public ArrayList<Edge> edges;
public Node(int value){
this.value = value;
this.in = 0;
this.out = 0;
this.nexts = new ArrayList<>();
this.edges = new ArrayList<>();
}
}
//边结构
public class Edges {
public int value;
public Node from;
public Node to;
public Edge(int weight, Node from, Node to){
this.value = weight;
this.from = from;
this.to = to;
}
}
//转换接口例子:用一个二维数组来表示图,格式为: 权值 = matrix[0][0] from点 = matrix[0][1] to点 = matrix[0][2]
public class Graph createGraph(Integer[][] matrix){
Graph graph = new Graph();
for(int i = 0; i < matrix.length; i++){
//先从数组中获得form点、to点、权值的值
Integer weight = matrix[i][0];
Integer from = matrix[i][1];
Integer to = matrix[i][2];
//将from点和to点加到图里
if(!graph.nodes.containskey(from)){
graph.nodes.put(from,new Node(from));
}
if(!graph.nodes.containsket(from)){
graph.nodes.put(to,new Node(to));
}
//获取from点和to点
Node fromNode = graph.nodes.get(from);
Node toNode = graph.nodes.get(to);
//form点、to点和权重组成一条边
Edge newEdge = new Edge(weight,fromNode,toNode);
//from点的邻接点集加入to点
fromNode.nexts.add(toNode);
//from点出度加一
formNode.out++;
//to点出度加一
toNode.in++;
//将这条边加入form点属于的边集里
formNode.edges.add(newEdge);
//将这条边加入图的边集里
graph.edges.add(newEdge);
}
return graph;
}
二、图的宽度优先遍历
思路:
// 1.利用队列实现
// 2.从源节点开始一次按照宽度进队,然后弹出
// 3.每弹出一个点,就把该节点所有的没有进过队列的直接邻接节点放进队列
// 4.一直弹出直到队列为空
public static void bfs(Node node){
if(head == null){
return;
}
Queue<Node> queue = new LinkedList<>();
HashSet<Node> set = new HashSet<>();
queue.add(node);
set.add(node);
while(!queue.isEmpty()){
Node cur = queue.poll();
System.out.println(cur.value);
for(Node next : cur.nexts){
if(!set.contains(next){
queue.add(next); //吧该节点的所有邻接节点加入队列
set.add(next);
}
}
}
}
三、图的深度优先遍历
// 1.利用栈实现
// 2.从源节点开始把节点按照深度方式放进栈中,打印,然后弹出
// 3.每弹出一个节点,把该节点下一个没有进过栈的邻接节点放进栈中,打印,弹出
// 4.重复上述过程,直到栈变空
ublic static void dfs(Node node){
if(node == null){
return;
}
Stack<Node> stack = new Stack<>();
HashSet<Node> set = new HashSer<>();
stack.add(node);
set.add(node);
System.out.println(node.value);
while(!stack.isEmpty()){
//弹出栈顶节点
Node cur = stack.pop();
//从栈顶节点的邻接节点集中寻找未遍历的next节点
for(Node next : cur.nexts){
if(!set.contains(next){
//找到后,先将刚刚弹出的节点重新压回栈中,再将next节点放进栈中
//这样做到原因是每次一条路走到底之后,往回走时,检查是否还有没有走过的路径
stack.push(cur);
stack.push(next);
//set里加入next节点,表示已遍历此节点
set.add(next);
//next点加入后打印
System.out.println(next.value);
//找到一个节点后就break,直接走下一个节点
break;
}
}
}
}
四、图的拓扑排序算法
什么是拓扑排序?
在现实生活中,我们经常会同一时间接到许多任务去完成,但是这些任务的完成是有先后次序的。
某校的选课系统规定,每门课可能有若干个先修课,如果要修读某一门课程,则必须要先 修完所有的先修课才能修读。假设一个学生同时只能报一门课程,那么选课系统允许他修完所有课程的顺序就是一个拓扑序…
从上述小例子中可以看出,拓扑排序是一个有效的任务顺序,每一门课对应有向图的一个顶点, 先修关系对应有向图的一条边。
拓扑排序:
给定一副有向图,将所有的顶点排序,使的所有的有向边均从排在前面的元素指向排在后面的元素,此时就可以明确的表示出每个顶点的优先级,下列是一副拓扑排序的示意图。
- 有向无环图(DAG)才有拓扑排序,非 DAG 图没有拓扑排序
- 若A在序列中排在B的前面,则在图中不存在从B到A的路径。
拓扑排序的步骤:
1.按照一定的顺序进行构造有向图,记录后个节点的入度;
2.从图中选择一个入度为0的顶点,输出该顶点;
3.从图中删除该顶点及所有与该顶点相连的边;
4.重复上述两步,直至所有顶点输出;
5.或者当前图中不存在入度为0的顶点为止。此时可说明图中有环;
6.因此,也可以通过拓扑排序来判断一个图是否有环。
//适用范围:要求有向无环图,且有入度为0的节点
//有向无环图中所有节点的线性序列满足下列要求:
// 1.每个节点出现且只出现一次
// 2.若存在一条A->B的边,则在排序序列中,节点A排在节点B前面
//算法步骤:
// 1.先找入度为0的点,加入result集
// 2.消除入度为0的点的影响(属于的边和点)
// 3.寻找下一个入度为0的点,重复以上过程
public static List<Node> sortedTopology(Graph graph){
//用hashmap存节点和入度
//key:代表某个节点 value:代表该节点剩余入度
HashMap<Node,Integer> inMap = new HashMap<>();
//存入度为0的节点的队列
Queue<Node> zeroInQueue = new LinkedList<>();
//遍历图集中的点集,将点和其入度存进inMap
for(Node node : graph.nodes.values()){
inMap.put(node,node.in);
//如果遇到入度为0的node,加入
if(node.in == 0){
zeroInQueue.add(node);
}
}
//拓扑排序结果依次,存入result
List<Node> result = new ArrayList<>();
while(!zeroInQueue.isEmpty()){
//弹出入度为空节点的队列的一个节点到result里
Node cur = zeroInQueue.poll();
result.add(cur);
//遍历该节点的邻接节点集
for(Node next : cur.nexts){
//消除cur节点的影响,即其next节点们的入度都要减一
inMap.put(next,inMap.get(next)-1);
//如果next节点的入度更新为0,则加入队列
if(inMap.get(next) == 0){
zeroInQueue.add(next);
}
}
return result;
}
}
五、图生成最小生成树
关于图的几个概念定义:
-
连通图:在无向图中,若任意两个顶点vivi与vjvj都有路径相通,则称该无向图为连通图。
-
生成树:一个连通图的生成树是指一个连通子图,它含有图中全部n个顶点,但只有足以构成一棵树的n-1条边。一颗有n个顶点的生成树有且仅有n-1条边,如果生成树中再添加一条边,则必定成环。
-
最小生成树:在连通网的所有生成树中,所有边的代价和最小的生成树,称为最小生成树。
求最小生成树的两种算法:
1. Kruskal算法
此算法可以称为“加边法”,初始最小生成树边数为0,每迭代一次就选择一条满足条件的最小代价边,加入到最小生成树的边集合里。
//最小生成树:在保证连通性下,整体权值最小
//(无向图)k算法:从边角度出发,依次选择最小的边,如果加上这条边会形成环,则不加这条边,如果不会形成环,则加上这条边
//不用并查集版本:定义一个myset结构
public static class MySets{
//key=节点 value=节点当前所在的集合
public HashMap<Node, List<Node>> setMap;
public MySets(List<Node> nodes){
for(Node cur : nodes){
List<Node> set = new ArrayList<Node>();
set.add(cur);
setMap.put(cur,set);
}
}
//判断两个节点是否在同一个集合
public boolean isSameSet(Node from,Node to){
List<Node> fromSet = setMap.get(from);
List<Node> toSet = setMap.get(to);
return fromSet == toSet;
}
//将两个节点加在同一个集合里
public void union(Node from,Node to){
List<Node> fromSet = setMap.get(from);
List<Node> toSet = setMap.get(to);
//遍历to节点所在集合里的所有元素
for(Node toNode : toSet){
//from节点所在的集合加入to节点所在集合的元素
fromSet.add(toNode);
//在setmap里更新这些节点当前所在的集合
setMap.put(toNode,fromSet);
}
}
//比较器
public static class EdgeComparator implements Comparator<Edge> {
@Override
public int compara(Edge o1,Edge o2){
return o1.weight-o2.weight;
}
}
//k算法
public static Set<Edge> kruskalMST(Graph graph){
//将图里的点集放进mysets结果初始化,每个节点就是一个集合
MySets mysets = new MySets(graph.nodes.values());
//优先级队列
PriorityQueue<Edge> priorityQueue = new PriorityQueue<>(new EdgeComparator());
//把图里的边集中所有边放进优先级队列里按weight权值从小到大排序
for(Edge edge : graph.edges){
priorityQueue.add(edge);
}
Set<Edge> result = new HashSet<>();
while(!priorityQueue.isEmpty()){
//队列每次弹出最小边
Edge edge = priorityQueue.poll();
//如果边的from和to不在一个集合就:
if(!mysets.isSameSet(edge.from,edge.to)){
//结果集里加入这条边
result.add(edge);
//将边的to点所在集合里的点放进from点所在的集合里
mysets.union(edge.from,edge.to);
}
}
return result;
}
}
2. Prim算法
此算法可以称为“加点法”,每次迭代选择代价最小的边对应的点,加入到最小生成树中。算法从某一个顶点s开始,逐渐长大覆盖整个连通网的所有顶点。
//(无向图)p算法:从一个点出发,从他的边集里解锁边,再从这些边里挑选权值最小的边,然后解锁下一个节点,再从边集里解锁并挑选权值最小的边(包括之前解锁的边),如果边的to点是已经解锁的节点,则不要这条边,然后重复上述过程,最后形成最小生成树
//比较器
public static class EdgeComparator implements Comparator<Edge>{
@Override
public int compara(Edge o1,Edge o2){
return o1.weight-o2.weight;
}
}
public static Set<Edge> primMST(Graph graph){
//解锁的所有边都放进小根堆排序
PriorityQueue<Edge> priortyQueue = new PriorityQueue<>(new
EdgeComparator());
//解锁过的点都放进set集里
HashSet<Node> set = new HashSet<>();
//选择后的边都放进result里
Set<Edge> result = new HashSet<>();
//遍历所有点集是要防止森林的情况,每一次从一个点出发只会形成一棵树
for(Node node : graph.nodes.values()){
if(!set.contains(node)){
//将解锁了的node放进set里记录
set.add(node);
//将node属于的所有边放进优先级队列里排序
for(Edge edge : node.edges){
priorityQueue.add(edge);
}
while(!priorityQueue.isEmpty()){
//从优先级队列里弹出最小的边
Edge edge = priorityQueue.poll();
//获得node的边的to节点
Node toNode = edge.to;
//如果set里没有to节点,则解锁to节点
if(!set.contains(toNode)){
//将解锁的to节点放到set里
set.add(toNode);
//result集里加入node和to这条最短的边
result.add(edge);
//再将to节点解锁的所有边放进优先级队列,继续根据队列里最小的边解锁下一个节点和其边集
for(Edge nextEdge : toNode.edges){
priorityQueue.add(nextEdge);
}
}
}
}
return result;
}
六、图中求单元最短路径(Dijkstra算法)
//求从出发节点到其他节点的最短路径
//适用范围:没有累加和为负数的环
public static HashMap<Node,Integer> dijkstra(Node node){
//hashmap表记录从head出发到所有点的最小距离
//key:从head出发到达的点 value:从head出发到达key的最小距离
//如果在hashmap中,没有T的记录,含义是从head到T这个点的距离为∞
HashMap<Node, Integer> distanceMap = new HashMap<>();
distanceMap.put(head,0);
//已经锁住,确定求得最短距离的节点,存在selectedNodes里
HashSet<Node> selectedNodes = new HashSet<>();
//从distanceMap里找没有被锁住并且离head最小距离的节点记录
Node minNode = getMinDistanceAndUnselectedNode(distanceMap, selectedMap);
While(minNode != null){
//先拿到head到minNode的距离
int distance = distanceMap.get(minNode);
//遍历minNode的边集
for(Edge edge : minNode.edges){
//拿到minNode的边的to点
Node toNode = edge.to;
//如果toNode是没有锁住的点
if(!distanceMap.containskey(toNode)){
//在distanceMap里更新to点的信息,距离为head到minNode的距离加上边的weight权值
distanceMap.put(toNode, distance + edge.weight);
}
//如果toNode是已经锁住的点,比较原来的distance和加上权值后的distance,选更小的那个
distanceMap.put(edge.to, Math.min(distanceMap.get(toNode), distance + edge.weight));
}
//更新完minNode的所有路径距离后,将minNode锁住
selectedNodes.add(minNode);
//继续从distanceMap里找一个没有被锁住并且离head最小距离的节点来继续遍历
minNode = getMinDistanceAndUnseletedNode(distanceMap,selectedNodes);
}
return distanceMap;
}
//从距离记录表中寻找一条从head到T的最短距离,且T点是还没有被锁住的,返回T
public static Node getMinDistanceAndUnselectedNode(HashMap<Node,Integer> distanceMap, HashSet<Node> touchedNodes){
//最短距离的节点
Node minNode = null;
//最短距离
int minDistance = Integer.MAx_VALUE;
//遍历距离记录表
for(Entry<Node, Integer> : distanceMap.entrySet()){
//得到每个节点和其当前到head的最短距离
Node node = entry.getKey();
int distance = entry.getValue();
//如果节点还没被锁并且新解锁边的距离小于minDistance
if(!touchedNodes.contains(node) && disatance < minDistance){
//更新最小节点和最小距离
minNode = node;
minDistance = distance;
}
}
return minNode;
}