数据结构问答7

1. 图的定义和相关术语

答：

定义：图是由顶点集V和边集E组成，其中V为有限非空集。

相关术语：n个顶点，e条边，G=(V，E)

① 邻接点和端点：无向图中，若存在一条边(i, j)，则称i，j为该边的端点，且它们互为邻接点；在有向图中，若存在一条边<i, j>，则称i，j分别为起始端点和终止端点，j是i的出边邻接点，i是j的入边邻接点。

② 顶点的度、入度、出度：无向图中，顶点所具有的边数为该顶点的度；有向图中，以顶点i为终点的入边数为该顶点的入度，以其为起点的边的数为该顶点的出度，入度+出度=该顶点的度。

一个图中，所有顶点的度之和=边数的两倍。

③ 完全图：若无向图中每两个顶点之间都存在一条边、有向图中每两个顶点之间都存在方向相反的两条边。

④ 稠密图和稀疏图：当一个图接近完全图时，为稠密图；无向图e<<n(n-1)/2、有向图e<<n(n-1)，为稀疏图。

⑤ 子图：能够成图的V和E的子集构成的图。但并非所有V和E的子集都能构成G的子图（因为不一定构成图）。

⑥ （简单）路径和路径长度：从顶点i到j经过的顶点组成的序列，称为路径。一条路径上经过的边数为路径的长度。若一条路径上出开始和结束顶点外，其余顶点均不相同（即不重复走某条路）则这条路径为简单路径。

⑦ 回路或环：路径的开始顶点和结束顶点为同一个顶点，此路径称为回路或环。

⑧ 连通、连通图、连通分量（无向图中）：从顶点i到j有路径，则i和j是连通的；任意两个顶点都是连通的，则图为连通图；无向图中的极大连通子图称为图的连通分量（因此连通图的连通分量，只有其本身一个，非连通图有多个连通分量）。

⑨ 强连通图和强连通分量（有向图中）：从顶点i到j有路径，则i和j是连通的；任意两个顶点都是连通的（双向的），则图为强连通图；有向图中的极大强连通子图称为图的强连通分量（因此强连通图的连通分量，只有其本身一个，非强连通图有多个连通分量）。

⑩ 关结点和重连通图、权和网：假如删除图中顶点i及其相关联的各边后，将图的一个连通分量分割成两个或多个连通分量，则i为该图的关结点。没有关结点的图为重连通图。

图中边上对应的数值成为边的权值。边上带权的图成为带权图，也叫网。

2. 图的存储结构

答：有四种存储方式，邻接矩阵、邻接表、十字链表和邻接多重表。

邻接矩阵：数组实现的顺序存储，空间复杂度高，不适合存储稀疏图

邻接表：顺序+链式存储。类似于树的孩子表示法。数组顺序存储每个结点，每个结点后跟一个链表存储与之直接相连的顶点。

十字链表：只适用于存储有向图。

邻接多重表：只适用于存储无向图。

3. 邻接矩阵存储的特点、性质

答：

特点：① 图的邻接矩阵表示唯一

           ② 对于含n个顶点的图，用邻接矩阵存储时，存储空间为O(n*n)，适合存储稠密图

           ③ 无向图的邻接矩阵为对称矩阵，可采用对称矩阵压缩存储以节省空间

           ④ 无向图，邻接矩阵第i行（或列）非零元素个数为i的度

           ⑤ 有向图，邻接矩阵第i行（或列）非零元素个数为i的出度（或入度）

           ⑥ 优点：易确定图中任意两点之间是否有边相连。但要确定共多少边，必须按行按列检测，时间代价高。

性质：图G的邻接矩阵A，A`=A^n，A`[i][j]代表了：从顶点i到j长度为n的路径数目。

4. 邻接表存储方式的特点

答：特点：① 图的邻接表表示不唯一

                 ② 对n个顶点e条边的无向图，n个表头，2e个边结点，有向图e个边结点，对于边数少的稀疏图的存储，这种方式比邻接矩阵节省空间

                 ③ 无向图，顶点i对应的第i个单链表的边结点个数是顶点i的度

                 ④ 有向图，顶点i对应的第i个单链表的边结点个数是顶点i的出度

5. 图的基本运算（邻接矩阵和连接表中的实现）

DFS：对每一个可能的分支路径深入到不能再深入为止，且每个结点只访问一次。使用递归实现
BFS：从上往下对每一层依次访问，在每一层中，从左往右（也可从右往左）访问结点，访问完一层就进入下一层，直到没有结点可以访问为止。使用队列实现。

6. 图的深度优先搜索DFS算法实现思想

答：与树的先根遍历类似。是一个递归的过程。与树不同的是，需要一个visit数组标记访问过的结点，防止重复访问。思想：首先初始化一个visit数组，全部设为false，对于从指定结点i开始访问，让i入栈，然后访问该结点相邻的结点，如果有，继续入栈；否则，开始出栈，每出栈一个元素都要将其visit值设为true。然后递归返回上层调用函数。重复这个步骤，直到栈为空。为了能够处理非联通图的遍历，可以在所有元素出栈后再次查看visit数组是否还有未访问的结点，有则从该结点开始遍历，直到visit数组全部为true。

7. 图的广度优先搜索BFS算法实现思想

答：与树的层次遍历类似。需要一个辅助队列。与树不同的是，需要一个visit数组标记访问过的结点，防止重复访问。思想：首先初始化一个visit数组，全部设为false，对于从指定结点i开始访问，让i入队，当队列不空时，出队一个元素，将与这个元素直接相连的(有边的)元素找出并入队，并将已出队元素visit值设为true。重复这个步骤，直到队列为空。为了能够处理非联通图的遍历，可以在队列为空后再次查看visit数组是否还有未访问的结点，有则从该结点开始遍历，直到visit数组全部为true。

分析时间复杂度时，不要钻到代码中，分析算法本身的时间开销在何处，计算这个操作执行的次数

8. 生成树、生成森林、最小生成树的定义

答：生成树：一个无向连通图的生成树是一个极小连通子图,包含图中所有顶点,只包含构成一棵树的n-1条边。

最小生成树：一个带权连通无向图（每个权值都大于0），图的所有生成树中权值之和最小的树为图的最小生成树。

生成森林：非联通图中，连通分量的生成树构成了非连通图的生成森林。

生成树和最小生成树是针对无向图的概念，针对有向图对应的叫有向生成树。

最小生成树（代价最小树）算法

* 最小生成树可能有多个，但边的权值之和唯一且最小

* 最小生成树边数=顶点数-1。砍掉一条边则不连通，增加一条边则会有回路

* 如果一个连通图本身就是一棵树，则其最小生成树就是其本身

* 只有连通图才有生成树，非连通图只有生成森林

9. Prim算法

答：

思想：从某个顶点开始构建生成树;每次将代价最小的新顶点纳入生成树,直到所有顶点都纳入为止

步骤：首先初始化U={v}，以v到其他顶点的所有边为候选边。然后重复下面的步骤n-1次使其他n-1个顶点被加入到U。

① 从候选边中选择权值最小的边，将改边不在U中的顶点加入U；

② 考察当前V-U中所有顶点，修改候选边（将权值更小的候选边替代原来的）。

时间复杂度O（|v|^2），适合稠密图（与边数无关E）求最小生成树。

10. Kruskal 算法

答：是一种按权值递增次序选择合适边来构造最小生成树的方法。

（"并查集"：每个顶点看做不同的集合）

思想：每次选择一条权值最小的边，是这条边两头连通(原本已连通就不选)

步骤：① 置U的初值=V（U生成树的顶点集，V原图顶点集），TE为空（TE：生成树的边集）

           ② 将图G中边按权值递增顺序依次选取，若选取的边未使生成树T形成回路，咋加入TE，否则舍弃，直到TE中包含n-1条边为止。

时间复杂度O（Elog2E），与V无关，适合于稀疏图求最小生成树。

最短路径问题

11. BFS求无权图的单源最短路径

答：对BFS修改：在visit一个顶点时，修改其最短路径长度d[ ]并在path[ ]记录前驱结点。

初始化数组d、path为无穷、-1，分别代表d[i]从源点带i的最短路径、最短路径经过哪个顶点。将源点u的d[u]值改为0，并把visit设为true后入队，当队列不为空时，出队，然后访问出队元素直接相连的顶点是否被访问过，如果没有访问过，则将其d改为d[u]+1，同时visit改为true后入队。直到队列中所有元素出队。所得路径即为从源点u出发到达其他顶点的最短路径长度path和最短路径的完整信息。

12. Dijkstra 算法(单源最短路径)带权图（不适用于带负权值的图）

答：它是基于贪心策略的，每次从起点开始选择当前最短路径，并标记已访问的节点。然后，它更新与这些节点相邻的节点的距离，并选择下一个最短的路径，直到到达目标节点为止。时间复杂度为 O(n^2)，堆优化之后为O(nlogn)。

步骤：从v0开始，初始化3个数组，final[0]=true; dist[0]=0; path[0]=-1。其余顶点ki, final[ki]=false; dist[ki]=arcs[0][k]（图中0到k的权值）; path[ki]=-1？0（无直接相连的边-1，有即设置0为其前驱）

然后进行n-1轮处理：循环遍历所有顶点，找到还未确定最短路径且dist最小的顶点v，令final[v]=true。比检查所有邻接字v的顶点，对邻接自v的顶点j，若final[j]=false且dist[v]+arcs[v][j]<dist[j]，则令dist[j]=dist[v]+arcs[v][j]；path[j]=v。

其中final数组标记各顶点是否已经找到最短路径；dist数组记录最短路径长度；path记录前驱结点

13. 为什么 Dijkstra 算法带负权边的图会失效

答：因此 Dijkstra 算法是基于贪心策略，每次都找一个距源点 A 最近的点 B，就可以确定 A 到 B 的最短距离。但是如果存在负权边，可能先通过并不是距源点最近的一个次优点，再通过一个负权边，会使得路径之和更小。因此此时该算法就失效了。

14. Floyd 算法

答：是一种求解多源（每对顶点）最短路径的算法。利用动态规划的思想，通过中间结点的遍历来更新两个节点之间的最短路径。Floyd 算法采用一个二维数组来记录图中所有结点对之间的最短距离，通过对这个数组不断更新，最终得到所有结点对之间的最短路径。

几种算法对比：

有向无环图DAG的应用

① 描述表达式：

​​​​​​​

15. 拓扑排序（AOV网）与逆拓扑排序

​​​​​​​答：在一个有向图中找一个拓扑序列的过程称为拓扑排序。

AOV网：顶点代表活动，有向边<Vi, Vj>表示活动顺序（Vi必须先于Vj进行）。

               AOV网一定是一个DAG图，不能有环。

拓扑排序：① 从AOV网中选择一个没有前驱（入度为0）的顶点并输出

                  ② 从网中删除该顶点和所有以它为起点的有向边

                  ③ 重复① 和 ②直到当前的AOV网为空

逆拓扑排序：① 从AOV网中选择一个没有后继（出度为0）的顶点并输出

                     ② 从网中删除该顶点和所有以它为终点的有向边

                     ③ 重复① 和 ②直到当前的AOV网为空

还可以用DFS实现拓扑、逆拓扑排序

性质：① 拓扑、逆拓扑排序序列可能不唯一

           ② 若图中有环，则不存在拓扑排序/逆拓扑排序序列

16. 怎样求关键路径（AOE网）

答：

AOE网：在DAG中，以顶点表示事件，以有向边表示活动，以边上的权值表示完成活动所需要的时间。其中仅有一个入度为0的点，称为开始顶点（源点），表示整个工程的开始；仅有一个出度为0的点，称为结束顶点（汇点），表示整个工程的结束。

关键活动：从源点到汇点的所有路径中，具有最大路径长度的路径叫做关键路径（可能不唯一）。也是整个工程的最短时间。关键路径上的活动叫关键活动。

求解步骤：① 计算所有事件的最早发生时间Ve，源点为0，其他=max{前驱事件ve+活动时间}

                      按拓扑排序序列依次求

                  ② 计算所有事件的最迟发生时间Vl，汇点为Ve，其他=min{后继Vl-活动时间}

                      按逆拓扑排序序列依次求

                  ③ 计算所有活动的最早发生时间e，e=Ve

                  ④ 计算所有活动的最迟发生时间l，l=Vl-活动持续时间

                  ⑤ 计算所有活动的时间余量d（d=0的活动即关键活动，以此可得关键路径）e-l

特点：① 若关键活动耗时增加，则整个工程工期增加

           ② 若缩短关键活动时间，可以缩短整个工期

           ③ 当缩短到一定程度时，关键活动可能会变成非关键活动

           ④ 可能有多条关键路径，只提高一条关键路径上的关键活动速度并不能缩短整个工期，只有加快那些包括在所有关键路径上的关键活动才能达到缩短工期的目的。