图论 邻接矩阵 详解 Python 描述 搜索：BFS DFS 最小生成树：Prim Kruskal

矩阵规则

对角线：元素 = 0
没有边： inf
有边： 权值

结构应该存在的东西

• 是否为有向图和无向图
• 顶点数
• 边数
• 存储矩阵（python：np.narray）

class Graph:
	def __init___(self):
		self.mat                 # 存储矩阵
		self.n                   # 存储边数 
		self.type                # 有向图和无向图
		self.s                   # 边数

遍历图 深度搜索 广度搜索

1. 二者都需要存在访问标志，这样才可以知道这个点 是否 已经被访问过了！
2. 二者都需要用某一个办法获取邻接的节点，然后用上面的访问标志才判断。

1. 深度搜索 DFS

visited = [False] * graph.n 
def DFS(graph, v):
	visited[v] = True
	for i in v.neighbors_node():
		if not visited[i]:
			DFS(graph, i)

2. 广度搜索 BFS

visited = [False] * graph.n 
def BFS(graph, v):
	q = Queue()        # 初始化队列
	visited[v] = True  # 访问过了
	q.put(v)           # 入队
	print(v)           # 输出顶点
	while not q.empty():
		i = q.put()    # 出列
		for j in i.neighbors_node():  # 获取的邻近节点是按照 从最近的顺序开始的
			if not visited[j]: 
				visited[j] =True
				q.put(j)
				print(j)	

路径的保存： 用栈；

3 应用：递归的使用。用来找一条简单路径。

visited = [False] * graph.n 
def Simple(graph, v, w, stack):
	visited[v] = True
	stack.push(v)
	for i in v.neighbors_node():
		if i == w:
			return True
		if not visited[i]:
			if Simple(graph, i, w, stack):
				return True
	stack.pop()

最核心的思想，就是一个搜索，把这个点的附近的全部顶点进行递归搜索；没用的路其实也就没戏了，而有用的路径则保留了下来。
函数最终的停止就是i == w 找到了最后的点。

4 应用：两个顶点的最短路径

广度搜索；
因为获得的邻点 是 从最近的开始排序的；

最小生成树 普里姆Prim 克鲁斯卡尔 Kruskal

1. 普里姆Prim

思想： 把图分开成为两部分，一部分是加入顶点集合的，另一部分是外面的。而且加入的除了顶点还有边。直到最后，顶点全部加载进去，一部分n-1个边被加载了进去。最后顶点和n-1个边 组合成为了 最小生成树。适合稠密图

2. 克鲁斯卡尔 Kruskal

思想：按照边的权值进行排序，然后选择一个最短的边。选择之后，要判断是否构成了圆环，如果构成者舍弃，如果没有则使用。边的排序，使用堆排序。环的判断使用了等价类和并查集的思想。适合稀疏图。

最短路径问题

一个源点到其他点的距离，一直更新；

1. 迪科斯特拉 Dijkstra 单源（一点到全部点）

思想： 类比Prim，也是分成了两个集合。一个是加入顶点集合的，剩下的是未加入的。一次只能加入一个点和一条边。也保证了是最短的路径。求最短路径的。

2. 弗洛伊德 Floyd 全源（任意两点）

核心算法：

Dk[i][j] = min{Dk[i][j],Dk[i][k]+Dk[k][j]}

k = 0,1,2,3,n-1
实际上就是寻找已经相连的两个点 是否有另外一个点，走另外一个点，可以有更加简短的路径。