一. 图的基本介绍
为什么要有图?
回顾一下线性表和树
- 线性表局限于一个直接前驱和一个直接后继的关系
- 树也只能有一个直接前驱也就是父节点
- 当我们需要表示多对多的关系时, 这里我们就用到了图
图的举例说明
图是一种数据结构,其中结点可以具有零个或多个相邻元素。两个结点之间的连接称为边。 结点也可以称为顶点。如图:
- 无向图
2. 有向图
3. 带权图
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)。
- 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。
上述说明:0和0之间为0就是说没有直接连通的关系.1和0之间为1就是说1和0是有直接连接的关系
- 邻接表
- 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.
- 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:
- 标号为0的结点的相关联的结点为 1 2 3 4
- 标号为1的结点的相关联结点为0 4,
- 标号为2的结点相关联的结点为 0 4 5
- …
图的快速入门案例
我们先看一个图:
再用邻接矩阵来表示:
说明:
- 1 表示能够直接连接
- 0 表示不能直接连接
思路分析
(1) 存储顶点String 使用 ArrayList
(2) 保存矩阵 int[][] edges
代码实现部分:
package com.qiu.graph;
import java.util.ArrayList;
import java.util.Arrays;
public class Graph {
//存储顶点集合
private ArrayList<String> vertexList;
//存储图对应的邻接矩阵
private int[][] edges;
//表示边的数目
private int numOfEdges;
public static void main(String[] args) {
//测试图是否创建成功
int n = 5;
String[] vertexs = {"A","B","C","D","E"};
//创建一个图的对象
Graph graph = new Graph(n);
//循环的添加顶点
for (String value : vertexs){
graph.insertVertex(value);
}
//添加边 A-B A-C B-C B-D B-E
graph.insertEdge(0,1,1);
graph.insertEdge(0,2,1);
graph.insertEdge(1,2,1);
graph.insertEdge(1,3,1);
graph.insertEdge(1,4,1);
//显示一个邻接矩阵
graph.showGragh();
}
//构造器
public Graph(int n){
//初始化邻接矩阵和vertexList
edges = new int[n][n];
vertexList = new ArrayList<String>(n);
numOfEdges = 0;
}
//常用的方法:图中的方法
//返回节点的个数
public int getNumOfVertex(){
return vertexList.size();
}
//得到边的数目
public int getNumOfEdges(){
return numOfEdges;
}
//返回结点i(下标)对应的数据0 - >A 1->B 2->C
public String getValueByIndex(int i){
return vertexList.get(i);
}
//返回V1和V2的权值
public int getWeight(int v1,int v2){
return edges[v1][v2];
}
//显示图所对应的矩阵
public void showGragh(){
for (int[] link : edges){
System.out.println(Arrays.toString(link));
}
}
//插入顶点
public void insertVertex(String vertex){
vertexList.add(vertex);
}
/**
* //添加边
* @param v1 表示点的下标,是第几个顶点
* @param v2 表示第二个顶点对应的下标
* @param weight 表示0或者1
*/
public void insertEdge(int v1,int v2,int weight){
edges[v1][v2] = weight;
edges[v2][v1] = weight;
numOfEdges++;
}
}
代码结果:
图的遍历
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) 图的深度优先搜索(Depth First Search) 。
- 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。(一条线往下走)
- 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。
- 深度优先搜索是一个递归的过程
深度优先遍历算法步骤
- 访问初始结点v,并标记结点v为已访问。
- 查找结点v的第一个邻接结点w。
- 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。
- 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)。
- 查找结点v的w邻接结点的下一个邻接结点,转到步骤3。
从A开始走.下一个邻接点B ,B存在,继续访问C.然后以C为出发点访问,本来要访问D的,但是没有找到D.因为不邻接.所以回到上一个节点B,然后B和D是关联的,所以访问到了D,但是D和E并没有关联到,所以回到B,再来访问E.最后结束循环.
代码实现:
package com.qiu.graph;
import org.omg.CORBA.PUBLIC_MEMBER;
import java.util.ArrayList;
import java.util.Arrays;
public class Graph {
//存储顶点集合
private ArrayList<String> vertexList;
//存储图对应的邻接矩阵
private int[][] edges;
//表示边的数目
private int numOfEdges;
//定义给数组boolean[],记录结点是否被访问
private boolean[] isVisited;
public static void main(String[] args) {
//测试图是否创建成功
int n = 5;
String[] vertexs = {"A","B","C","D","E"};
//创建一个图的对象
Graph graph = new Graph(n);
//循环的添加顶点
for (String value : vertexs){
graph.insertVertex(value);
}
//添加边 A-B A-C B-C B-D B-E
graph.insertEdge(0,1,1);
graph.insertEdge(0,2,1);
graph.insertEdge(1,2,1);
graph.insertEdge(1,3,1);
graph.insertEdge(1,4,1);
//显示一个邻接矩阵
graph.showGragh();
//测试一把我们的dfs遍历是否ok
System.out.println("深度遍历ok");
graph.dfs();
}
//构造器
public Graph(int n){
//初始化邻接矩阵和vertexList
edges = new int[n][n];
vertexList = new ArrayList<String>(n);
numOfEdges = 0;
isVisited = new boolean[5];
}
/**
* //得到第一个邻接结点的下标W
* @param index
* @return 如果存放就返回对应的下标,否则就返回-1
*/
public int getFirstNeighbor(int index){
for (int j = 0; j < vertexList.size(); j++) {
if (edges[index][j] > 0){
return j;
}
}
return -1;
}
//根据前一个邻接结点的下标,来获取下一个邻接结点
public int getNextNeighbor(int v1,int v2){
for (int j = v2 + 1;j<vertexList.size();j++){
if (edges[v1][j] > 0){
return j;
}
}
return -1;
}
//深度优先遍历算法
public void dfs(boolean[] isVisited,int i){
//首先我们访问该节点
System.out.print(getValueByIndex(i)+"->");
//将该结点设置为已经访问过
isVisited[i] = true;
//查找结点i的第一个邻接结点w
int w = getFirstNeighbor(i);
while (w != -1){
//判断是否被访问过
if (!isVisited[w]){
dfs(isVisited,w);
}
//如果w节点已经被访问过我们应该查找下一个节点
w = getNextNeighbor(i,w);
}
}
//对dfs进行一个重载,遍历我们所有的节点并进行dfs
private void dfs(){
//遍历所有的节点进行dfs
for (int i = 0; i < getNumOfVertex(); i++) {
if (!isVisited[i]){
dfs(isVisited,i);
}
}
}
//常用的方法:图中的方法
//返回节点的个数
public int getNumOfVertex(){
return vertexList.size();
}
//得到边的数目
public int getNumOfEdges(){
return numOfEdges;
}
//返回结点i(下标)对应的数据0 - >A 1->B 2->C
public String getValueByIndex(int i){
return vertexList.get(i);
}
//返回V1和V2的权值
public int getWeight(int v1,int v2){
return edges[v1][v2];
}
//显示图所对应的矩阵
public void showGragh(){
for (int[] link : edges){
System.out.println(Arrays.toString(link));
}
}
//插入顶点
public void insertVertex(String vertex){
vertexList.add(vertex);
}
/**
* //添加边
* @param v1 表示点的下标,是第几个顶点
* @param v2 表示第二个顶点对应的下标
* @param weight 表示0或者1
*/
public void insertEdge(int v1,int v2,int weight){
edges[v1][v2] = weight;
edges[v2][v1] = weight;
numOfEdges++;
}
}
代码结果:
(2) 图的广度优先遍历
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
广度优先遍历算法步骤
- 访问初始结点v并标记结点v为已访问。
- 结点v入队列
- 当队列非空时,继续执行,否则算法结束。
- 出队列,取得队头结点u。
- 查找结点u的第一个邻接结点w。
- 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。
看图: 首先访问到的是A,然后看B是否能访问,就输出B,再以A为基础上去访问C,同样的以A的节点访问D,发现找不到了,我们就从队列中取出B,以B为基础,来访问,然后A,C访问过了,然后D能被访问到,就输出了D,同样再以B为中心去找到E,也能找到.再输出E.整个节点遍历结束后,发现都访问过了就退出了
//对一个节点进行广度优先遍历的方法
private void bfs(boolean[] isVisited,int i){
//根据设计,表示队列的头结点对应的下标
int u;
//整个过程中,邻接节点的下标
int w;
//因为整个过程中,需要一个队列,节点访问顺序的记录
LinkedList queue = new LinkedList();
//访问节点,输出节点的信息
System.out.print(getValueByIndex(i)+"->");
//标记为已经访问过
isVisited[i] =true;
//将这个节点加入到队列中
queue.addLast(i);
while(!queue.isEmpty()){
//取出队列的头结点下标
u = (Integer)queue.removeFirst();
//得到第一个邻接点的下标w
w = getFirstNeighbor(u);
while(w != -1){
//找到了,判断是否访问过
if (!isVisited[w]){
System.out.print(getValueByIndex(w)+"->");
//标记已经访问
isVisited[w] = true;
//入队
queue.addLast(w);
}
//以u为前一个节点找w后面的下一个邻接点,找以u行的下一个w的节点
//体现出我们的一个广度优先的经典特性
w = getNextNeighbor(u,w);
}
}
}
//遍历所有的节点都进行广度优先搜索
public void bfs(){
for (int i = 0; i < getNumOfVertex(); i++) {
if (!isVisited[i]){
bfs(isVisited,i);
}
}
}
代码运行结果:
图的广度优先VS图的深度优先
然后我们用代码插入这九条边的关系.
String[] vertexs = {"0","1","2","3","4","5","6","7","8"};
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);
由于代码运行结果显示,深度优先和广度优先结果还是有不一样的