图的基本概念、图的存储、图的遍历（深度优先搜索、广度优先搜索、迪杰斯特拉算法）

一、图的应用场景：

• ⽹络爬⾍；
• 地图应⽤：⾼德地图，百度地图（最近距离推荐，最短时⻓推荐）；
• 社交⽹络分析：好友推荐，垃圾⽤户分析，社交关系分析（好友亲密度）；
• 推荐、精准营销；
• 舆情控制，信息传播；
• 防欺诈（⽹络诈骗和电信诈骗）；
• 计算⽣物学：模拟分⼦运动；

 

二、图的分类：

• 　（1）有向图：    全部边为有向边所构成的图称为有向图

应用：例如抖音用户关注博主（单向：用户关注博主，博主不关注用户）

•     （2）无向图：    全部边为无向的边所构成的图称为无向图

• 　（3）权重图：    每条边上带有两个顶点之间的权重数字

权重数字通常由深度学习和机器学习计算出来。

应用：（1）QQ好友之间的请密度

           （2）地图软件的上所用的图基本上都是权重图，权重数字可以用来计算两地之间的最短路径等信息。

又分为有向权重图和无向权重图，下图所示为有向权重图。

 

三、图的基本概念：

• 顶点集合（vex-set）：如上图 S(vex) = {'A', 'B', 'C', 'D', 'E', 'F'}

• 边集合（arc-set）：如上图 S(arc) = {<'A', 'B'>, <'A', 'C'>, <'A', 'D'>, <'B', 'F'>, <'B', 'C'>, <'C', 'E'>, <'D', 'E'>, <'E', 'F'>}

• 度（degree）：⽆向图中从⼀个点延伸出去的边数就是该点的度；有向图中包含出度和⼊度；

• 出度（out-degree）：有多少条边指向某点就是该点的出度；

• ⼊度（in-degree）：有多少条边从另一个顶点有线连接到该点就是该点的入度；

例如C的入度是1，出度是2

 

四、图的存储：

图存储的关键是点集合和边集合。

• （1）用邻接矩阵存储：

上面这个图的邻接矩阵如下图所示：    默认值为0，有关系的标为1

出度：看行求和，例如c的出度 = 3

入度：看列求和，例如c 的入度= 3

这里这个图是无向的，所以出度和入度是一样的

优点：很容易算出边邻接关系；以及顶点的度（不管是出度还是⼊度）；

缺点：边集合存储空间复杂度⽐较⼤，图中存在⼤量的0，空间利⽤率不⾼（尤其在点多边少的情况 下）；

对于⽆向图，邻接矩阵是对称的，可以只存下半部分，如下图所示。

 

利用无向图的数学关系可以只存无向图的下半部分，达到提高空间利用率的目的，但是实际运用过程中不可能用邻接矩阵来存储图，因为效率太低了。

• （2）用连接表存储：

顶点集合依然存储在⼀维数组当中，边集合存储在连接表当中，能够很好的控制空间复杂度。

• 有向图：

• 无向图：

• 权重无向图：

• 优点：很容易算出邻接关系；以及节点的出度；

• 缺点：很难算出⼊度，需要遍历整张表；可以建⽴⼀张逆连接表（相当于记录⼊度的表）；

 

五、图的遍历：

• 从图中某⼀个顶点出发，访问图中其余顶点，使每个顶点被访问⼀次且只被访问⼀次；

• 可以从图中任意⼀个顶点出发进⾏遍历；

• 需要解决的问题：

• 确定⼀条搜索路径；

• 确保每个顶点被访问到；

• 确保每个顶点只能被访问⼀次；

• 设置辅助数组visited，数组元素的初始值均为false，⼀旦遍历过就置为true；

 

（1）深度优先搜索：有点像二叉树的遍历，一头扎到尾，然后再回溯

 

应⽤：

• 检测连通分量的个数；

• 两个点是否在⼀个连通分量中；

• 检测是否构成环；从⼀个点出发能否回到出发点；

 

（2）广度优先搜索：按层遍历，由近到远

• 关键数据结构：队列；

• 应⽤： 游戏中找寻路径问题；

 

（3）迪杰斯特拉算法（dijkstra）：

• 该算法主要解决最短路径问题，采⽤是贪⼼思想；

• 对象：权重图；

• 该算法核⼼思想是：每次从路径最短的点出发遍历相邻边，检测修改路径值（确保相邻点也是最短），从未被确认路径最短的顶点集合中选择最短路径的点，将该点加⼊确认路径最短的顶点集合，并将该点作为下次遍历相邻边的出发点；

• 核⼼步骤：更新，扫描，修改；

例如：

 

用贪心算法逐步去推算确认队列和未确认队列

最终得到整个图的最短遍历顺序为ACEDBF

所以A到F的最短路径为 A B F 12+5 =17