图论基础总结

名词定义

1. 图：由点集 V 于边集 E 共同构成
2. 顶点（vertex）；
3. 边（edge）：用一个点对（v,w）表示，其中的v，w均属于V
4. 邻接：w与v邻接，当且仅当 (v,w)属于E；v与w邻接，当且仅当（w，v）属于E
5. 权，值：边的一种属性，可视为长度
6. 路径：顶点的一个序列，每个顶点均属于V，且,路径的长为该序列的边数即n-1；
7. 简单路径：所有顶点互异，但首尾可能相同；
8. 环：特殊的边（v,v）称作环
9. 圈：首尾相同的简单路径，且长度至少为一，如果是无向图，还要求边互异；
10. 连通：从任一点出发均存在到达其他点的路径；
11. 强连通：满足连通性质的有向图；
12. 弱连通：有向图本身不连通，但忽略边的方向后的那个无向图（基础图）是连通的；
13. 完全图：任意两点均存在边；
14. DAG：有向无圈图（Directed Acyclic Graph）
15. Dijkstra算法：有权图的最短路径算法，一种贪婪算法
16. 稠密：边的数量相对很多
17. 稀疏：边的数量相对很少
18. 动作节点图：以节点表示需完成的动作，完成成本（通常是耗时）作为节点的属性，而边无权值。
19. 事件节点图：以节点表示某些（可不止一个）动作开始或停止，边表示动作，此时边是有权值的。事件节点图常常会增加一些哑节点（无实际对应）和哑边（权值为0）来做辅助。
20. 残余图：解决流问题的一种辅助图，表示尚未加入到结果中的那些边及其剩余流量值。
21. 增广路径：残余图中的一条可从头到尾的路径，存在时即可被添加到结果中。

表示方式

以下图为例

                                                       

邻接表

顶点	邻接点
0	{2，4，5}
1	{4，5}
2	{0，3，4}
3	{2}
4	{0，1，2，5}
5	{0，1，4}

点集与边集

点集：{0，1，2，3，4，5}

边集：{(2,3),(0,2),(0,4),(0,5),(2,4),(1,4),(1,5),(4,5)}

当图为无向图时，边集中元素表示两个点之间有一条边；

当图为有向图时，边集中元素表示前者指向后者（或后者指向前者）

经典算法

拓扑排序

现实情况中存在着一系列事情中需要先完成某些事，然后才能做另一些事的限制。比如有时学习一门课程需要先学习其他课程、炒青椒肉丝需要先切肉等等；

这一系列事可以用一张有向图来表达，比如下图

拓扑排序-图1

 拓扑排序就是给出一个顶点序列，该序列满足：当存在（v->w）的边时，v需排在w的前面。

拓扑排序的正确结果并不唯一，只有满足上述条件即可。根据该条件可以看出，拓扑排序存在当且仅当图中无圈。

拓扑排序-图1 的一种结果可以是：cs1,cs2,数据结构,汇编,操作系统,算法

算法

解决拓扑排序问题的经典做法是为顶点增加一个入度的概念：指向点v的边数。

如果图是可以拓扑排序的，则必然存在入度为0的点（否则一定有环）。

算法步骤如下：

1. 选取初始入度为0的点，推入队列中；
2. 队列空吗？空则 7 ，不空则 3
3. 从队列中取出点v，
4. 将v添加到结果序列末尾
5. 对于v的每一个下游点w，w的入度，且当=0时将推入队列
6. 回到2
7. 对比结果序列的长度是否与点数一致，一致则排序成功，不一致则排序失败（存在圈）

最短路径

最短路径指给定一个图和一个起点，求起点到其他每个点的最短路径（有时只求长度，有时要给出路径上的点）；

这里我们处理较简单的图，即没有负值边的图；

最短路径是广度优先搜索的典型应用。

无权图

无权图即每条边的权值都一样，此时路径长度等于边数。如下图所示

求最短路径问题的经典算法需要为点附加以下信息 ：

1. 唯一标识 i
2. 是否已知 known
3. 离给定起点的最短距离 d
4. 上游点 p

算法步骤如下：

1. 所有点的 d 设为（起初所有点都视为离起点无穷远），known设为false ， p设为null，
2. 起点 s 的 d 设为 0；
3. 将s推入队列
4. 队列有数据吗，有进行5，无9
5. 取出一个点 v
6. v.known设为true
7. 遍历v的邻接点w，如果 ，则,并将w推入队列
8.  回到4
9. 结束

如果要求的是起点s到指定终点e的最短路径，则可在遇到e并求得时结束。

有权图（Dijkstra算法）

有权图较之无权图稍复杂一些，主要是边的数量不再代表路径长度，边多的路径可能反而更短。

经典的解决方法是Dijkstra算法，这是一种贪婪算法。点的附加信息除无权图中4个，还需记录边的权值(v -> w 这条边的权值)

核心思想是每次搜索已知d且未处理的那些点中d最小的点，对其进行处理。

算法步骤

1. 所有点的 d 设为（起初所有点都视为离起点无穷远），known设为false ， p设为null，
2. 起点 s 的 d 设为 0；
3. 是否还有未知的点，若有则做4，无则7
4. 在未知的点中，取出d最小的点v
5. v.known 设为 true
6. 对v的所有邻接点w，若w未知且,则，
7.  结束

第4步，取出最小d值点，这个的具体操作依据边的数量可以采用不同的数据结构，如果图是稠密的，则直接遍历列表效率较高；

而对于稀疏图，则可将点置于优先队列中，每次deleteMin取最小d值边。但引入一个问题，那就是

第6步更新v的邻接点w将比较麻烦，此时可以直接将更新过的w再插入优先队列，这又引入了可能重复处理的问题；

不过由于先后插入的两个w引用相同，故当最靠前的w弹出后，队列中的w全都将变成known的，于是可通过在deleteMin时过滤掉known的点来避免重复处理。

关键路径分析

关键路径分析是有向无圈图DAG的重要应用。可联系现实中的项目管理理解，从项目开始到结束，需要完成许多任务，有些任务之间有先后依赖，有些没有。无依赖的任务可以同时进行，有依赖的则后者必须等所有前置任务完成才能进行。

关键路径分析需回答的几个问题：

1. 假设并行量无上限（人手充足），且每个任务均按规定时间要求完成，那么整体方案最早完成时间是何时？
2. 哪些任务可以延迟而不使整个项目完成时间变长？可以延迟多久？
3. 哪些任务延迟将项目整体完成时间延迟？（由无法延迟的任务组成的路径即关键路径）

对项目及下属任务的模拟，直观的抽象方式是使用动作节点图，如下图。

动作节点图-1

可以看出，若人手充足该项目最少耗时为10小时（A，C，F，H）；

由此立即可以知道A，C，F，H的耗时一旦增加，整体项目完成耗时将增加，

而B单独增加2小时则不影响整体耗时。

若要用图论进行运算回答上述问题，最好是使用事件节点图。

事件节点图-1

 事件节点图-1是完全的，即将每个动作都规定了起点和终点，这样比较直观且关系一定不会乱，但实际处理起来，多余的哑点和哑边将使算法效率降低，故可将其简化。

简化方式即去掉只由单个哑边进入的点，如“K开始”、“A开始”，而由两个及以上哑边进入的点则不能去掉，如“D开始”，“F开始”，有非哑边进入的点更不能去掉。

事件节点图-2

 基于事件节点图的算法

        1.计算事件节点的最早完成时间点。以  记录id为 i 的节点的最早完成时间， 记录从v事件到w事件的消耗时长。则可按以下公式计算各节点最早完成时间。

容易理解其含义，w的最早完成时间，取决于最晚到达它的那条路径。比如 “D开始” 的最早完成时间就是 max( 3+0 , 2+0)=3+0 ; 即取决于“A结束”到“D开始”这条路。

        2.计算每个事件在不影响整体时间前提下的最晚完成时间点，以记录id为i的节点的最晚完成时间，  记录从v事件到w事件的消耗时长。则可按以下公式计算各节点最晚完成时间。

其含义这样理解，项目整体完成时间点减去本节点最晚完成时间点，就是剩余事件动作的时间，要给后续动作留足够时间，故取时间点最靠前的（即取min）

       3.计算边的松弛时间，松弛时间即边代表的动作可独自延迟多久而不至于影响全局。