不就几种数据类型么？06-图论

临近年关，有点倦怠，本来计划周末完成图论，但是赶到过年回家，感冒不舒服，不想动~。

这期主要是讲图论，虽然说我们开发中对这块理论不常见，但是也是比较重要的一种数据结构~，咬咬牙，学了就是，对吧，拉屎的时间就够你把我这篇看完了，0.0

下面步入正题：

1.图论背景引入

学前小故事~，开心一晚上。

一笔画问题

问题描述：

18世纪著名古典数学问题之一。在哥尼斯堡的一个公园里，有七座桥将普雷格尔河中两个岛及岛与河岸连接起来(如图)。问是否可能从这四块陆地中任一块出发，恰好通过每座桥一次，再回到起点？欧拉于1736年研究并解决了此问题，他把问题归结为如右图的“一笔画”问题，证明上述走法是不可能的。他不仅解决了此问题，且给出了连通图可以一笔画的充要条件是：奇点的数目不是0 个就是2 个（连到一点的数目如是奇数条，就称为奇点，如果是偶数条就称为偶点，要想一笔画成，必须中间点均是偶点，也就是有来路必有另一条去路，奇点只可能在两端，因此任何图能一笔画成，奇点要么没有要么在两端）

2、关于图的概念：

在图中，最基本的单元是顶点（vertex），相当于树中的节点。顶点之间的关联关系，被称为边（edge）。

在有些图中，每一条边并不是完全等同的。比如刚才地铁线路的例子，从A站到B站的距离是3公里，从B站到C站的距离是5公里......这样就引入一个新概念：边的权重（Weight）。涉及到权重的图，被称为带权图（Weighted Graph）。

还有一种图，顶点之间的关联并不是完全对称的。还拿微信来举例，你的好友列表里有我，但我的好友列表里未必有你。

相应的，在QQ当中，只要我把你从好友里删除，你在自己的好友列表里也就看不到我了。因此，QQ的好友关系可以认为是一个没有方向区分的图，这种图被称为无向图。

3、图的表示

图的概念基本了解了，那么图的数据结构如何存储呢？

图的存储方式有很多种，比如的邻接矩阵，邻接表，逆邻接表，十字链表等。下面我们来一一学习下：

3.1、邻接矩阵

拥有n个顶点的图，它所包含的连接数量最多是n（n-1）个。因此，要表达各个顶点之间的关联关系，最清晰易懂的方式是使用二维数组（矩阵）。具体如何表示呢？我们首先来看看无向图的矩阵表示：

 

如图所示，顶点0和顶点1之间有边关联，那么矩阵中的元素A[0][1]与A[1][0]的值就是1；顶点1和顶点2之间没有边关联，那么矩阵中的元素A[1][2]与A[2][1]的值就是0。像这样表达图中顶点关联关系的矩阵，就叫做邻接矩阵。需要注意的是：矩阵从左上到右下的一条对角线，其上的元素值必然是0。这样很容易想明白：任何一个顶点与它自身是没有连接的。

同时，无向图对应的矩阵是一个对称矩阵，V0和V1有关联，那么V1和V0也必定有关联，因此A[0][1]和A[1][0]的值一定相等。因为是无向图嘛。

那么，有向图的邻接矩阵又是什么样子呢？如下图：

 

从图中可以看出，有向图不再是一个对称矩阵。从V0可以到达V1，从V1却未必能到达V0，因此A[0][1]和A[1][0]的值不一定相等。看图，V0可以到达V1，但是V1不能达到V0，所以A[0][1]=1,A[1][0]=0；

• 优点：简单直观，可以快速查到一个顶点和另一顶点之间的关联关系。
• 缺点：占用了太多的空间。试想，如果一个图有1000个顶点，其中只有10个顶点之间有关联（这种情况叫做稀疏图），却不得不建立一个1000X1000的二维数组，实在太浪费了。

3.2、邻接表和逆邻接表

为了解决邻接矩阵占用空间的问题，人们想到了另一种图的表示方法：邻接表。

在邻接表中，图的每一个顶点都是一个链表的头节点，其后连接着该顶点能够直接达到的相邻顶点。看起来是不是有点像前面我们学到过的hash的链式存储。其实很多数据结构的思想都都是想通的，就看你如何灵活运用。、

很明显，这种邻接表的存储方式，占用的空间比邻接矩阵要小得多。比如：

• 要想查出从顶点0能否到达顶点1，该怎么做呢？很简单，我们从顶点0开始，顺着链表的头节点向后遍历，看看后继的节点中是否存在顶点1。
• 要想查出顶点0能够到达的所有相邻节点，也很简单，从顶点0向后的所有链表节点，就是顶点0能到达的相邻节点。
• 那么，要想查出有哪些节点能一步到达顶点1，又该怎么做呢？这样就麻烦一些了，我们要遍历每一个顶点所在的链表，看看链表节点中是否包含节点1，最后发现顶点0和顶点3可以到达顶点1。

像这种逆向查找的麻烦，该如何解决呢？我们可以是用逆邻接表来解决。其实就是讲邻接表反过来。存到达节点。如下图：

看图思意：讲到达节点做为头结点，那么他的后续节点就是可以到达这个节点的节点。这样一来，要想查出有哪些节点能一步到达顶点1就容易了，从顶点1向后的所有链表节点，就是能一步到达顶点1的节点。因此，我们可以根据实际需求，选择使用邻接表还是逆邻接表。

但是有一个问题：这个正反是不是太麻烦了些。如何一个图两种情况都存在呢？难道还要做两次数据存储么？下面我们开始学习十字链表，所谓十字链表就是讲邻接表和逆邻接表整合在一起。如图：

 

如图所示，十字链表的每一个顶点，都是两个链表的根节点，其中一个链表存储着该顶点能到达的相邻顶点，另一个链表存储着能到达该顶点的相邻节点。不过，上图只是一个便于理解的示意图，我们没有必要把链表的节点都重复存储两次。在优化之后的十字链表中，链表的每一个节点不再是顶点，而是一条边，里面包含起止顶点的下标。因此我们优化后：

为了更好的理解，我们看一下十字链表的数据结构：

• firstin表示入边表头指针，指向该顶点的入边表中第一个结点；
• firstout表示出边表头指针，指向该顶点的出边表中第一个结点；
• data表示每一个节点数据；

重新定义了边表结点结构：

• tailvex是指边起点在顶点的下标，
• headvex是指边终点在顶点表中的下标，
• headlink是指入边表指针域，指向终点相同的一下条边
• taillink是指出边表指针域，指向起点相同的下一条边。

如图对于这样的一个有向图，构建如下的十字链表

举例：以数组下标为0，其存储顶点我V1。对于V1来说：

• 出边：E[0][1](即V1与V2组成的有向边)，E[0][2]
• 入边：E[2][0],E[3][0]

对于数据下标为0记为：A0

A0节点的firstout指向如上图，是不是就是表示为这个顶点有两条出边（以该节点为起始点的边）；

A0节点的firstin指向如上图，是不是就是就是表示这个节点有两条入边（就是以该节点为终点的边）；

其中E[2][0]的headlink指向终点相同（都是指向A0）的下一条边，没问题吧，好理解，再看E[3][0]的taillink是指向E[3][1]表示E[3][0]与E[3][1]都是从V4为起始点的边。初学十字链表的时候，可能会觉得有些乱。哈哈~苗某私下在好好看看。

1. 我们这一次介绍了图的定义和分类。根据图的边是否有方向，可分为有向图和无向图。根据图的边是否有权重，可分为带权图和无权图。当然，也可以把两个维度结合起来描述，比如有向带权图，无向无权图等等。
2. 图的表示方法有很多种。包括邻接矩阵、邻接表、逆邻接表、十字链表。（还有一种邻接多重表，有兴趣的小伙伴可以自学下）。

好的关于图的知识就介绍到这里，下期我们开始学习，位运算~。

 

PS：我开通了微信公众号，里面有关于数据结构全部资料，每天多学一点点比什么都实在。