数据结构：图

已于 2022-10-03 16:58:02 修改
阅读量139 收藏
点赞数
分类专栏： 数据结构与算法 文章标签： 数据结构 算法 深度优先
于 2022-10-03 16:57:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40977118/article/details/127153050
版权

目录

1. 基本介绍

1.1 为什么要有图

  1. 线性表局限于一个直接前驱和一个直接后继的关系
  2. 树也只能有一个直接前驱也就是父节点
  3. 当要表示多对多的关系时， 就需要用图

1.2 举例说明

  • 图是一种数据结构，其中节点可以具有零个或多个相邻元素。两个节点之间的连接称为边。 节点也可以称为顶点。

在这里插入图片描述
在这里插入图片描述

1.3 常用概念

  1. 顶点(vertex)
  2. 边(edge)
  3. 路径
  4. 无向图

无向图： 顶点之间的连接没有方向，比如A-B,
即可以是 A-> B 也可以 B->A .
路径: 比如从 D -> C 的路径有
1)D->B->C
2)D->A->B->C

在这里插入图片描述

  1. 有向图

有向图： 顶点之间的连接有方向，比如A-B,
只能是 A-> B 不能是 B->A .

在这里插入图片描述

  1. 带权图

带权图：这种边带权值的图也叫网.

在这里插入图片描述

2. 图的表示方式

  • 图的表示方式有两种：二维数组表示（邻接矩阵）；链表表示（邻接表）。

2.1 邻接矩阵

  • 邻接矩阵是表示图形中顶点之间相邻关系的矩阵，对于n个顶点的图而言，矩阵是的row和col表示的是1…n个点。

在这里插入图片描述

2.2 邻接表

  1. 邻接矩阵需要为每个顶点都分配n个边的空间，其实有很多边都是不存在，会造成空间的一定损失
  2. 邻接表的实现只关心存在的边，不关心不存在的边。因此没有空间浪费，邻接表由数组+链表组成

说明:
1.标号为0的结点的相关联的结点为 1 2 3 4
2.标号为1的结点的相关联结点为0 4，
3.标号为2的结点相关联的结点为 0 4 5
4…

在这里插入图片描述

3. 深度优先遍历

3.1 图遍历介绍

  • 所谓图的遍历，即是对结点的访问。一个图有那么多个结点，如何遍历这些结点，需要特定策略，一般有两种访问策略: (1)深度优先遍历 (2)广度优先遍历

3.2 深度优先遍历基本思想

  • 图的深度优先搜索(Depth First Search)
  1. 深度优先遍历，从初始访问结点出发，初始访问结点可能有多个邻接结点，深度优先遍历的策略就是首先访问第一个邻接结点，然后再以这个被访问的邻接结点作为初始结点，访问它的第一个邻接结点， 可以这样理解：每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。
  2. 我们可以看到，这样的访问策略是优先往纵向挖掘深入，而不是对一个结点的所有邻接结点进行横向访问。
  3. 显然，深度优先搜索是一个递归的过程

3.3 深度优先遍历算法步骤

  1. 访问初始结点v，并标记结点v为已访问。
  2. 查找结点v的第一个邻接结点w。
  3. 若w存在，则继续执行4，如果w不存在，则回到第1步，将从v的下一个结点继续。
  4. 若w未被访问，对w进行深度优先遍历递归（即把w当做另一个v，然后进行步骤123）。
  5. 查找结点v的w邻接结点的下一个邻接结点，转到步骤3。

4. 广度优先遍历

4.1 广度优先遍历基本思想

  • 图的广度优先搜索(Broad First Search) 。
  • 类似于一个分层搜索的过程，广度优先遍历需要使用一个队列以保持访问过的结点的顺序，以便按这个顺序来访问这些结点的邻接结点

4.2 广度优先遍历算法步骤

  1. 访问初始结点v并标记结点v为已访问。
  2. 结点v入队列
  3. 当队列非空时，继续执行，否则算法结束。
  4. 出队列，取得队头结点u。
  5. 查找结点u的第一个邻接结点w。
  6. 若结点u的邻接结点w不存在，则转到步骤3；否则循环执行以下三个步骤：
    6.1 若结点w尚未被访问，则访问结点w并标记为已访问。
    6.2 结点w入队列
    6.3 查找结点u的继w邻接结点后的下一个邻接结点w，转到步骤6。

5. 代码实现

在这里插入图片描述

  1. 深度优先遍历顺序为 1->2->4->8->5->3->6->7
  2. 广度优先算法的遍历顺序为：1->2->3->4->5->6->7->8
package com.datastructure.图;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.LinkedList;
import java.util.List;

public class Graph {

    // 存储顶点
    private List<String> vertexList;

    // 存储图对应的邻接矩阵
    private int[][] edges;

    // 记录某个节点是否被访问过
    private boolean[] isVisited;

    // 构造器
    public Graph(int n) {
        this.edges = new int[n][n];
        this.vertexList = new ArrayList<>(n);
    }

    // 显示图对应的矩阵
    public void showGraph() {
        for (int[] edge : edges) {
            System.out.println(Arrays.toString(edge));
        }
    }

    // 返回v1和v2的权值
    public int getWeight(int v1, int v2) {
        return edges[v1][v2];
    }

    // 插入节点
    public void insertVertex(String vertex) {
        vertexList.add(vertex);
    }

    // 添加边
    public void insertEdge(int v1, int v2, int weight) {
        edges[v1][v2] = weight;
        edges[v2][v1] = weight;
    }

    // 得到第一个邻接节点的下标 w，如果不存在则返回-1
    public int getFirstNeighbor(int index) {
        for (int i = 0; i < vertexList.size(); i++) {
            if (edges[index][i] > 0) {
                return i;
            }
        }
        return -1;
    }

    // 根据前一个邻接节点的下标获取下一个邻接节点
    public int getNextNeighbor(int v1, int v2) {
        for (int i = v2 + 1; i < vertexList.size(); i++) {
            if (edges[v1][i] > 0) {
                return i;
            }
        }
        return -1;
    }

    // 对一个节点机型深度优先遍历
    private void dfsOne(boolean[] isVisited, int i) {
        System.out.print(vertexList.get(i) + "->");
        // 将节点设置为已经访问
        isVisited[i] = true;
        // 查找节点 i 的第一个邻接节点 w
        int w = getFirstNeighbor(i);
        while (w != -1) { // 说明有
            // w 节点没有被访问过，则访问 w 节点
            if (!isVisited[w]) {
                dfsOne(isVisited, w);
            }
            // 如果 w 节点已经被访问过，则访问 w 的下一个邻接节点
            w = getNextNeighbor(i, w);
        }
    }

    // dfs遍历所有节点
    public void dfs() {
        isVisited = new boolean[vertexList.size()];
        // 遍历所有节点，进行dfs回溯
        for (int i = 0; i < vertexList.size(); i++) {
            if (!isVisited[i]) {
                dfsOne(isVisited, i);
            }
        }
    }

    // 对一个节点进行广度优先遍历
    private void bfsOne(boolean[] isVisited, int i) {
        // 表示队列头节点下标
        int u;
        // 邻接节点w
        int w;
        // 队列，记录节点访问的顺序
        LinkedList<Integer> queue = new LinkedList<>();
        // 访问节点，输出节点信息
        System.out.print(vertexList.get(i) + "=>");
        // 标记为已访问
        isVisited[i] = true;
        // 将节点加入队列
        queue.addLast(i);
        while (!queue.isEmpty()) {
            // 取出队列头节点的下标
            u = queue.removeFirst();
            // 得到第一个邻接节点下标 w
            w = getFirstNeighbor(u);
            // 找到
            while (w != -1) {
                // 是否访问过
                if (!isVisited[w]) {
                    System.out.print(vertexList.get(w) + "=>");
                    // 标记为已访问
                    isVisited[w] = true;
                    // 入队列
                    queue.addLast(w);
                }
                // 以u为前驱节点，找w后面的下一个邻接节点
                w = getNextNeighbor(u, w);
            }
        }
    }

    // 广度优先遍历所有节点
    public void bfs() {
        isVisited = new boolean[vertexList.size()];
        for (int i = 0; i < vertexList.size(); i++) {
            if (!isVisited[i]) {
                bfsOne(isVisited, i);
            }
        }
    }

    public static void main(String[] args) {
        int n = 8;
        String[] vertexs = {"1", "2", "3", "4", "5", "6", "7", "8"};
        Graph graph = new Graph(n);
        // 添加顶点
        for (String vertex : vertexs) {
            graph.insertVertex(vertex);
        }
        // 更新顶点之间的关系
        graph.insertEdge(0, 1, 1);
        graph.insertEdge(0, 2, 1);
        graph.insertEdge(1, 3, 1);
        graph.insertEdge(1, 4, 1);
        graph.insertEdge(3, 7, 1);
        graph.insertEdge(4, 7, 1);
        graph.insertEdge(2, 5, 1);
        graph.insertEdge(2, 6, 1);
        graph.insertEdge(5, 6, 1);
        // 显示邻接矩阵
        graph.showGraph();
        System.out.println("深度优先遍历");
        graph.dfs();
        System.out.println();
        System.out.println("广度优先遍历");
        graph.bfs();
    }

}
  • 结果打印
[0, 1, 1, 0, 0, 0, 0, 0]
[1, 0, 0, 1, 1, 0, 0, 0]
[1, 0, 0, 0, 0, 1, 1, 0]
[0, 1, 0, 0, 0, 0, 0, 1]
[0, 1, 0, 0, 0, 0, 0, 1]
[0, 0, 1, 0, 0, 0, 1, 0]
[0, 0, 1, 0, 0, 1, 0, 0]
[0, 0, 0, 1, 1, 0, 0, 0]
深度优先遍历
1->2->4->8->5->3->6->7->
广度优先遍历
1=>2=>3=>4=>5=>6=>7=>8=>
多叉树应用（多叉树创建， 遍历）
11-03 9761
多叉树创建， 遍历...
数据结构与算法学习二二：图的学习、图的概念、图的深度和广度优先遍历
冯安晨
05-19 443
文章目录前言一、为什么要有图二、图的举例说明三、图的常用概念四、图的表示方式4.1 邻接矩阵4.2 邻接表五、图的快速入门案例六、图的深度优先遍历介绍6.1 图遍历介绍6.2 深度优先遍历基本思想6.3 深度优先遍历算法步骤6.4 核心代码七、图的广度优先遍历7.1 广度优先遍历基本思想7.2广度优先遍历算法步骤7.3 核心代码八、图的代码汇总8.1 Graph图类8.2 GraphMain测试类8.3 测试结果 前言 一、为什么要有图 前面我们学了线性表和树 线性表局限于一个直接前驱和一个直接后继的关系
图的学习——图的遍历
weixin_61023150的博客
05-30 108
1.图的定义 ”“ 图是一种比线性表和树更为复杂的数据结构。 它是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合。图结构，是研究数据元素之间的多对多的关系。在这种结构中，任意两个元素之间可能存在关系。即结点之间的关系可以是任意的，图中任意元素之间都可能相关。 图是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合。 "" 2.代码...
常见数据结构详细图解、树的高度、深度、层数、跳表、二叉搜索树、平衡二叉树、红黑树、B树、B+树
最新发布
chuixue24的博客
02-21 1097
二叉搜索树也叫二叉查找树。它是一种比较特殊的二叉树。
12.2 图(深度优先算法，广度优先算法)
weixin_45706249的博客
09-08 219
图的深度优先遍历介绍 图遍历介绍 所谓图的遍历，即是对结点的访问。一个图有那么多个结点，如何遍历这些结点，需要特定策略，一般有两种访问策略:(1)深度优先遍历(2)广度优先遍历 深度优先遍历基本思想 1）深度优先遍历，从初始访问结点出发，初始访问结点可能有多个邻接结点，深度优先遍历的策略就是首先访问第一个邻接结点，然后再以这个被访问的邻接结点作为初始结点，访问它的第一个邻接结点，可以这样理解:每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。 2)我们可以看到，这样的访问策略是优先往纵向挖掘深入，而
数据结构：图子系统.doc
09-29
数据结构：图子系统.doc
数据结构：图（三） 图的应用
Viadimir的博客
05-16 7480
这篇文章讲一下图的一些应用。 一、最小连通代价问题 无向连通图的生成树有很多，如果图的边具有权值，那么各个生成树的边的权值之和大小就不同。在所有生成树中，权值之和最小的一棵成为最小生成树。 1.最小生成树：假设图是一个加权连通图，具有最小权值之和的生成树称为最小代价生成树。Minimum Cost Spanning Tree (MST) 举一个例子：假设有一个网络，用以表示n个城市之间假设通信线路，边上的权值代表架设通信线路的成本。如何架设才能使线路架设成本达到最小？ 这个问题的答案：
数据结构：建立图的邻接表
07-13
数据结构：建立图的邻接表
算法与数据结构：第5章 图.ppt
05-27
算法与数据结构：第5章 图.ppt
多叉树的基本操作(C++实现)
热门推荐
锦恢的博客
11-12 1万+
文章目录前言创建多叉树展示多叉树销毁一颗多叉树前序遍历(递归&非递归)递归写法非递归写法后序遍历(递归&非递归)递归写法非递归写法层次遍历计算多叉树的高度计算多叉树叶子节点的个数打印输出根节点到所有叶子节点的路径(深度优先-递归)打印输出根节点到所有叶子节点的路径(基于后序遍历-非递归)打印输出根节点到所有叶子节点的路径(基于层次遍历-非递归)输出根节点到叶子节点所有路径中最长的那些路径递归实现节点的插入删除子树递归实现最近公共祖先查询 前言 我们都知道如何表达一颗二叉树：使用结构体记录每个
多叉树构建， 遍历（层次优先，深度优先），应用
11-03 4910
项目上遇到了一个典型的多叉树应用案例， 记录一下。 （1） //结构 typedef struct st_OriTree { int levelValue; //树的level int orderValue; //排序值 QString nameValue; //当前节点名称 QString preNameValue; //前置节点名称 QM
树（多叉树）的建立、遍历、翻转
Alpaca Roy的博客
07-22 704
昨天帮朋友做网易的笔试题（吐槽一下网易的题目有点变态），遇到了一道翻转树的题，于是抽空做了一下。 翻转树的结构，如果在层序遍历时将孩子数组翻转输出并没有改变树的结构，当然你可以先这样输出再建树，这样做会比较麻烦，正确的做法是需要递归翻转每个孩子数组。 void MTree::init(MNode *root) { this->root = root; } MNode* MTree::getNode() { return root; } void MTree::putC
LeetCode 429. N叉树的层序遍历 （多叉树的存储结构、队列实现）
SongyangJi
06-18 328
N叉树的层序遍历 注意： 一般一棵多叉树的结构: 其中边长数组便于存储不定长的子节点。 class Node{ int val; vector<Node*> children; }; 而字典树（Trie）的存储结构一般为： 现将字符映射为数字，用数组反应这种映射关系。 const int sizeOfCharSet = 26; class TrieNode{ int val; TrieNode* children[sizeOfCharSet]; }; /* // Definiti
数据结构与算法学习笔记十二--多叉树
weixin_44501366的博客
04-28 342
1. 二叉树的问题分析 二叉树的操作效率较高，但是也存在问题： 二叉树需要加载到内存的，如果二叉树的节点少，没有说明问题，但是如果二叉树的节点很多（比如1亿），就存在如下问题： 问题1：在构建二叉树时，需要多次进行 i/o操作（海量数据存在数据库或者文件中），节点海量，构建二叉树时，速度有影响。 问题2：节点海量，也会造成二叉树的高度很大，会降低操作速度。 2. 多叉树与B树 多叉树 在二叉树中，每个节点有数据项，最多有两个子节点。如果允许每个节点可以有更多的数据项和更多的子节点，就是多叉树（mult
Python的treelib构建多叉树——快速命名节点id
思过留痕
09-30 2832
思想就是：为保证多叉树节点的唯一性，主要就是根据嵌套list，构建对应的节点id 首先，将嵌套list的第一个list元素，作为第一个list的元素节点的id ； 其次，为了保证节点的命名不重复，建立一个字典来统计各个节点的出现次数 ； 若有同一棵树上不在路径的子树相同，怎么知道将该字数放到哪个节点下面呢？ 很简单，就是建立临时path，从当前list的第一个元素与之前的list相同位置元素进行比...
多叉树的实现
weixin_30767921的博客
05-30 359
import java.util.ArrayList; import java.util.LinkedList; import java.util.List; /** * * <多叉树> * <功能详细描述> * * @author soul390 * @version */ public class TreeNode ...
数据结构：核心概念与应用
它涉及到了各种类型的数据结构，包括栈、队列、散列表、语法树、线性表、多链表、索引树、广义表、集合、搜索树以及各种有向图等。这些数据结构在不同的应用场景中发挥着至关重要的作用。 1. 数据结构概述 数据结构...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值