【数据结构与算法】图

图

图的基本介绍

为什么要有图？

1. 线性表局限于一个直接前驱和一个后继的关系。
2. 树也只能有一个直接前驱也就是父节点。
3. 当我们需要表示多对多的关系时，这里我们就用到了图。

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。如图：

图的常用概念

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

无向图：顶点之间的连接没有方向，比如 A - B，既可以是 A -> B 也可以是 B -> A。

路径：比如从 D -> C 的路径有

• D -> B -> C
• D -> A -> B -> C

5. 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。

6. 带权图

带权图：这种边带权值的图也叫网。

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，矩阵的 row 和 col 表示的是 1…n 个点。

邻接表

1. 邻接矩阵需要为每个节点都分配 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 的节点的相关联的节点为 1 2 3 4
2. 标号为 1 的节点的相关联的节点为 0 4
3. 标号为 2 的节点的相关联的节点为 0 4 5
4. …

图的快速入门

要求：代码实现如下结构：

思路分析：

1. 存储顶点 String 使用 ArrayList 来存储。
2. 使用 int[][]二维数组来保存矩阵。

代码实现：

public class Graph {
    private ArrayList<String> vertexList; // 存储顶点集合
    private int[][] edges; // 存储图对应的矩阵
    private int numOfEdges; // 表示边的数目

    public static void main(String[] args) {
        // 测试
        int n = 5; // 节点的个数
        String[] Vertexes = {"A","B","C","D","E"};
        // 创建图对象
        Graph graph = new Graph(n);
        // 循环添加顶点
        for (String vertex : Vertexes) {
            graph.insertVertex(vertex);
        }
        // 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
        graph.showGraph();
    }

    // 构造器，初始化
    public Graph(int n) {
        // 初始化矩阵和 ArrayList
        edges = new int[n][n];
        vertexList = new ArrayList<>(n);
        numOfEdges = 0;
    }

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

    /**
     * 返回节点的个数
     *
     * @return
     */
    public int getNumOfVertex() {
        return vertexList.size();
    }

    /**
     * 返回边的数目
     *
     * @return
     */
    public int getNumOfEdges() {
        return numOfEdges;
    }

    /**
     * 返回节点i(下标)对应的数据
     *
     * @param i 节点i(下标)
     * @return
     */
    public String getValueByIndex(int i) {
        return vertexList.get(i);
    }

    /**
     * 返回 v1 v2 的权值
     *
     * @param v1 v1 节点
     * @param v2 v2 节点
     * @return
     */
    public int getWeight(int v1, int v2) {
        return edges[v1][v2];
    }

    /**
     * 插入顶点
     *
     * @param vertex 要插入的顶点
     */
    public void insertVertex(String vertex) {
        vertexList.add(vertex);
    }

    /**
     * 添加边
     *
     * @param v1     表示第一个顶点的下标
     * @param v2     表示第二个顶点的下标
     * @param weight 表示权值
     */
    public void insertEdge(int v1, int v2, int weight) {
        edges[v1][v2] = weight;
        edges[v2][v1] = weight;
        numOfEdges++;
    }
}

图的深度优先（DFS）

基本思想

图的优先搜索（Depth First Search）

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

深度优先遍历算法步骤

1. 访问初始节点 v，并标记节点 v 为已访问；
2. 查找节点 v 的第一个邻接节点 w；
3. 若 w 存在，则继续执行第 4 步，如果 w 不存在，则回到第 1 步，将从 v 的下一个节点继续；
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 1,2,3）；
5. 查找节点 v 的 w 邻接节点的下一个邻接节点，转到步骤 3。

/**
 * 深度优先遍历算法
 *
 * @param isVisited
 * @param i
 */
private void dfs(boolean[] isVisited, int i) {
    // 首先访问节点，输出
    System.out.print(getValueByIndex(i) + "->");
    // 将节点设置为已经访问
    isVisited[i] = true; // t t t f f
    // 查找该节点的第一个邻接节点
    int w = getFirstNeighbor(i); // 0 1  1 0  2 -1
    while (w != -1) { // 存在
        // 判断是否被访问
        if (!isVisited[w]) {
            dfs(isVisited, w);
        }
        // 如果 w 节点已经被访问
        w = getNextNeighbor(i, w);
    }
}

// 对 dfs 进行重载，遍历我们所有节点，并进行 dfs
public void dfs() {
    // 遍历所有的节点，进行 dfs 回溯
    for (int i = 0; i < getNumOfVertex(); i++) {
        if (!isVisited[i]) {
            dfs(isVisited, i);
        }
    }
}

图的广度优先（BFS）

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节点的顺序，以便按这个顺序来访问这些节点的邻接节点。

广度优先遍历算法步骤

1. 访问初始节点 v 并记录节点 v 为已访问；
2. 节点 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，取得队头节点 u；
5. 查找节点 u 的第一个邻接节点 w；
6. 若节点 w 的邻接节点 w 不存在，则转到步骤 3；否则循环执行以下三个步骤；
   1. 若节点 w 尚未被访问，则访问节点 w 并标记为已访问；
   2. 节点 w 入队列；
   3. 查找节点 u 的继 w 邻接节点后的下一个邻接节点 w，转到步骤 6；

/**
 * 广度优先遍历算法
 *
 * @param isVisited
 * @param i
 */
public void bfs(boolean[] isVisited, int i) {
    int u; // 表示队列头结点的下标
    int w; // 邻接节点 w
    // 队列，记录节点访问的顺序
    LinkedList queue = new LinkedList();
    // 访问节点，输出节点信息
    System.out.print(getValueByIndex(i) + "=>");
    // 标记为已访问
    isVisited[i] = true;
    // 将节点加入队列
    queue.addLast(i);

    while (!queue.isEmpty()) {
        // 取出队列头结点下标
        u = (Integer) queue.removeFirst();
        // 得到第一个邻接节点的下标 w
        w = getFirstNeighbor(u);
        while (w != -1) { // 找到
            // 判断是否访问过
            if (!isVisited[w]) {
                System.out.print(getValueByIndex(w) + "=>");
                // 标记为已访问
                isVisited[w] = true;
                // 入队列
                queue.addLast(w);
            }
            // 以 u 为前驱点，找 w 后面的下一个节点
            w = getNextNeighbor(u, w); // 体现出广度优先
        }
    }
}

// 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);
        }
    }
}