流程图分层算法

---

前言

本人前段时间在完成一篇论文，其中一个核心模块是流程图相似度计算，而这部分又以流程图的分层为前提。
我在网上大致找了一下，没有找到跟流程图层次划分相关的程序实现，于是想自己实现这部分的算法。

---

一、任务描述

输入：流程图(以邻接矩阵表示)
输出：分层的结果
示例：

该流程图应分为3层为，即[[A ，B]、[C，D，E]、[F，G]]

说明：此处涉及的流程图只包含简单的前驱和后继关系，不包含循环等复杂结构

---

二、算法思想

1.从流程图的邻接矩阵中提取出连接信息(边)；判断每个节点所处的位置
2.通过遍历边，并依据"相连的一条边上的两个节点一定位于相邻的两层"确定当前一层
3.删除当前层包含的元素的所有连接信息

注意：确定一层节点时，要考虑两种情况，即该节点是否有与之相连的后继节点

三、算法实现

代码如下（核心在于怎样确定一层）：

def layer_decomposition(adj_matrix:list):
    # var definition
    edges = []
    layer = []
    length = len(matrix)
    # create edges
    for i in range(0, length):
        for j in range(i, length):
            if matrix[i][j] == 1:
                edge = []
                edge.append(i)
                edge.append(j)
                edges.append(edge)

    edges_copy = copy.deepcopy(edges)

    while len(edges):
        next_layer = []
        special_list = []
        head_node = []
        tail_node = []
        for j in range(0, len(edges)):
            head_node.append(edges[j][0])
            tail_node.append(edges[j][1])
        head_node = list(set(head_node))
        tail_node = list(set(tail_node))

        for head in head_node:
            if head not in tail_node and head not in layer:
                special_list.append(head)
                
		# covert layer to 1D
        check_list = [b for a in layer for b in a]  
        # only in layer 1
        if not(set(check_list) > set(special_list)):  
            layer.append(special_list)

        for edge in edges:
            for head in special_list:
                if head == edge[0]:
                    next_layer.append(edge[1])
                    
 		# remove edges connected with layer
        for i in range(0, len(edges_copy)): 
            temp = copy.deepcopy(edges_copy[i])
            for ele in special_list:
                if ele in temp and edges_copy[i] in edges:
                    edges.remove(edges_copy[i])

        next_layer = list(set(next_layer))
        layer.append(next_layer)

    return layer

---

总结

完成这个算法还是费了些力气，后面还会多加总结和练习 ^ _ ^