14.1、图的实际应用
在现实生活中,有许多应用场景会包含很多点以及点点之间的连接,而这些应用场景都可以用即将要学习的图
这种数据结构去解决。
-
地图
生活中经常使用的地图,基本上是由城市以及连接城市的道路组成,如果把城市看做是一个一个的点,把道路看做是一条一条的连接,那么地图就是将要学习的图这种数据结构
-
电路图
生活中经常见到的集成电路板,它其实就是由一个一个触点组成,并把触点与触点之间通过线进行连接,这也是即将要学习的图这种数据结构的应用场景
14.2、图的定义及分类
-
定义
图是由一组顶点和一组能够将两个顶点相连的边组成的
- 特殊的图
- 自环:即一条连接一个顶点和其自身的边
- 平行边:连接同一对顶点的两条边
-
图的分类
按照连接两个顶点的边的不同,可以把图分为以下两种:
- 无向图:边仅仅连接两个顶点,没有其他含义
- 有向图:边不仅连接两个顶点,并且具有方向
14.3、无向图
1)图的相关术语
-
相邻顶点
当两个顶点通过一条边相连时,称这两个顶点是相邻的,并且称这条边依附于这两个顶点
-
度
某个顶点的度就是依附于该顶点的边的个数
-
子图
是一幅图的所有边的子集(包含这些边依附的顶点)组成的图
-
路径
是由边顺序连接的一系列的顶点组成
-
环
是一条至少含有一条边且终点和起点相同的路径
-
连通图
如果图中任意一个顶点都存在一条路径到达另外一个顶点,那么这幅图就称之为连通图
-
连通子图
一个非连通图由若干连通的部分组成,每一个连通的部分都可以称为该图的连通子图
2)图的存储结构
要表示一幅图,只需要表示清楚以下两部分内容即可:
- 图中所有的 顶点
- 所有连接顶点的 边
常见的图的存储结构有两种:邻接矩阵 和 邻接表
1、邻接矩阵
- 使用一个 V * V 的 二维数组 int [V] [V] adj,把索引的值看做是顶点
- 如果顶点 v 和顶点 w 相连,只需要将 adj [v] [w] 和adj [w] [v] 的 值设置为1,否则设置为0即可
很明显,邻接矩阵这种存储方式的 空间复杂度是 V^2 的,如果处理的问题规模比较大的话,内存空间极有可能不够用
2、邻接表
-
使用一个大小为V的数组 Queue[V] adj,把索引看做是顶点
-
每个索引处 adj[v] 存储了一个 队列,该队列中存储的是所有与该顶点相邻的其他顶点
很明显,邻接表的空间并不是是线性级别的,所以后面一直采用邻接表这种存储形式来表示图
3)图的实现
1、图的API设计
2、代码实现
package chapter14;
import chapter03.Queue;
/**
* @author 土味儿
* Date 2021/9/15
* @version 1.0
* 无向图
*/
public class Graph {
/**
* 顶点数量
*/
private final int vNum;
/**
* 边数量
*/
private int eNum;
/**
* 邻接表
*/
private Queue<Integer>[] adj;
/**
* 构造器
* @param vNum
* @param eNum
* @param adj
*/
public Graph(int vNum, int eNum, Queue<Integer> adj) {
// 初始化顶点数量
this.vNum = vNum;
// 初始化边数量
this.eNum = 0;
// 初始化邻接表
this.adj = new Queue[vNum];
// 初始化邻接表中的空队列
for (int i = 0; i < vNum; i++) {
this.adj[i] = new Queue<Integer>();
}
}
/**
* 得到顶点数量
* @return
*/
public int getVNum(){
return vNum;
}
/**
* 得到边数量
* @return
*/
public int geteNum(){
return eNum;
}
/**
* 添加一条边v-w
* @param v
* @param w
*/
public void addEdge(int v,int w){
// 因为是无向图,v、w分别加入到对方的链表中
this.adj[v].enQueue(w);
this.adj[w].enQueue(v);
// 边数量加1
eNum++;
}
/**
* 获取顶点v的所有相邻顶点
* @param v
* @return
*/
public Queue<Integer> adj(int v){
return this.adj[v];
}
}
4)图的搜索
在很多情况下,需要遍历图,得到图的一些性质,例如, 找出图中与指定的顶点相连的所有顶点,或者判定某个顶点与指定顶点是否相通,是非常常见的需求。 最经典的算法有 深度优先搜索 和 广度优先搜索
1、深度优先搜索
所谓的深度优先搜索,指的是在搜索时,如果遇到一个结点既有子结点,又有兄弟结点,那么 先找子结点,然后找 兄弟结点
由于边是没有方向的,所以,如果4和5顶点相连,那么4会出现在5的相邻链表中,5也会出现在4的相邻链表中,那么为了不对顶点进行重复搜索,应该要有相应的标记来表示当前顶点有没有搜索过,可以使用一个:
布尔类型的数组 boolean[V] marked,索引代表顶点,值代表当前顶点是否已经搜索
如果已经搜索,标记为true,如果没有搜索,标记为false
package chapter14;
/**
* @author 土味儿
* Date 2021/9/16
* @version 1.0
* 深度优先搜索
*/
public class DepthFirstSearch {
/**
* 记录某个顶点是否被搜索过
* 索引表示顶点
* 值true:搜索过
* 值false:未搜索过
*/
private boolean[] marked;
/**
* 记录有多少个顶点与s顶点相通
*/
private int count;
/**
* 构造深度优先搜索对象
* 找出g图中所有与s顶点相通的顶点
* @param g
* @param s
* @return
*/
public DepthFirstSearch(Graph g,int s) {
// 初始化marked数组
this.marked = new boolean[g.getVNum()];
// 初始化与顶点s相通的顶点数量
this.count = 0;
// 从s开始遍历搜索
dfs(g,s);
}
/**
* 判断w与s是否相通
* @param w
* @return
*/
public boolean marked(int w){
return this.marked[w];
}
/**
* 判断与s相通的顶点数量
* @return
*/
public int count(){
return this.count;
}
/**
* 使用深度优先算法找出g图中与v相通的所有顶点
* @param g
* @param v
*/
private void dfs(Graph g,int v){
// 开始搜索v,标识为已搜索
this.marked[v] = true;
// 遍历v顶点的相通顶点队列
for (Integer w : g.adj(v)) {
// 如果当前w顶点没有被搜索过,就递归搜索
if(!marked[w]){
dfs(g,w);
}
}
// 相通的顶点数量+1
count++;
}
}
package chapter13;
import chapter14.DepthFirstSearch;
import chapter14.Graph;
import org.junit.Test;
/**
* @author 土味儿
* Date 2021/9/16
* @version 1.0
* 深度优先搜索测试
*/
public class DepthFirstSearchTest {
@Test
public void test() {
// 准备图对象
Graph g = new Graph(13);
g.addEdge(0, 1);
g.addEdge(0, 2);
g.addEdge(0, 6);
g.addEdge(0, 5);
g.addEdge(5, 3);
g.addEdge(5, 4);
g.addEdge(4, 6);
g.addEdge(3, 4);
g.addEdge(7, 8);
g.addEdge(9, 10);
g.addEdge(9, 11);
g.addEdge(9, 12);
g.addEdge(11, 12);
// 准备深度优先搜索对象
DepthFirstSearch search = new DepthFirstSearch(g, 0);
// 查询与某个顶点相通的顶点数量
int count = search.count();
System.out.println("与起点0相通的顶点数量:" + count);
// 查询某个顶点与起点是否相通
boolean marked1 = search.marked(5);
System.out.println("顶点5与起点是否相通:"+marked1);
boolean marked2 = search.marked(7);
System.out.println("顶点7与起点是否相通:"+marked2);
}
}
与起点0相通的顶点数量:7
顶点5与起点是否相通:true
顶点7与起点是否相通:false
2、广度优先搜索
所谓广度优先搜索,指的是在搜索时,如果遇到一个节点既有子节点,又有兄弟节点,那么 先找兄弟节点,然后 找子结点
package chapter14;
import chapter03.Queue;
/**
* @author 土味儿
* Date 2021/9/16
* @version 1.0
* 广度优先搜索
*/
public class BreadthFirstSearch {
/**
* 记录某个顶点是否被搜索过
* 索引表示顶点
* 值true:搜索过
* 值false:未搜索过
*/
private boolean[] marked;
/**
* 记录有多少个顶点与s顶点相通
*/
private int count;
/**
* 存储待搜索邻接表中的顶点
*/
private Queue<Integer> waitSearch;
/**
* 构造广度优先搜索对象
* 找出g图中所有与s顶点相通的顶点
* @param g
* @param s
* @return
*/
public BreadthFirstSearch(Graph g, int s) {
// 初始化marked数组
this.marked = new boolean[g.getVNum()];
// 初始化与顶点s相通的顶点数量
this.count = 0;
// 初始化辅助队列
waitSearch = new Queue<>();
// 从s开始遍历搜索
bfs(g,s);
}
/**
* 判断w与s是否相通
* @param w
* @return
*/
public boolean marked(int w){
return this.marked[w];
}
/**
* 判断与s相通的顶点数量
* @return
*/
public int count(){
return this.count;
}
/**
* 使用广度优先算法找出g图中与v相通的所有顶点
* 递归方式
* @param g
* @param v
*/
private void bfs(Graph g,int v){
// 开始搜索v,标识为已搜索
this.marked[v] = true;
// 让顶点v进入队列
waitSearch.enQueue(v);
while(!waitSearch.isEmpty()){
// 弹出一个待搜索的顶点
Integer wait = waitSearch.deQueue();
// 遍历v顶点的相通顶点队列
for (Integer w : g.adj(v)) {
// 如果当前w顶点没有被搜索过,就递归搜索
if(!marked[w]){
bfs(g,w);
}
}
}
// 相通的顶点数量+1
count++;
}
/**
* 使用广度优先算法找出g图中与v相通的所有顶点
* 非递归方式
* 需要有node节点类支撑
*
* @param g
* @param v
*/
private void bfs1(Graph g,int v){
// 开始搜索v,标识为已搜索
this.marked[v] = true;
// 让顶点v进入队列
waitSearch.enQueue(v);
while(!waitSearch.isEmpty()){
// 弹出一个待搜索的顶点
Integer wait = waitSearch.deQueue();
// 弹出的顶点是有左子节点,把左子结点存入队列
// 弹出的顶点是有右子节点,把右子结点存入队列
// 相通的顶点数量+1
count++;
}
}
}
5)案例-畅通工程续1
某省调查城镇交通状况,得到现有城镇道路统计表,表中列出了每条道路直接连通的城镇。省政府“畅通工程”的目标是使全省任何两个城镇间都可以实现交通(但不一定有直接的道路相连,只要互相间接通过道路可达即可)。目前的道路状况,9号城市和10号城市是否相通?9号城市和8号城市是否相通?
在测试数据文件夹中有一个trffic_project.txt文件,它就是道路统计表,下面是对数据的解释:
总共有20个城市,目前已经修改好了7条道路,问9号城市和10号城市是否相通?9号城市和8号城市是否相通?
- 解题思路:
- 创建一个图Graph对象,表示城市
- 分别调用addEdge(0,1),addEdge(6,9),addEdge(3,8),addEdge(5,11),addEdge(2,12),addEdge(6,10),addEdge(4,8),表示已经修建好的道路把对应的城市连接起来
- 通过Graph对象和顶点9,构建 DepthFirstSearch 对象或 BreadthFirstSearch 对象
- 调用搜索对象的 marked(10) 方法和 marked(8) 方法,即可得到9号城市与10号城市以及9号城市与8号城市是否相通
package chapter14;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
/**
* @author 土味儿
* Date 2021/9/15
* @version 1.0
* 案例:畅通工程
*/
public class TrafficProject {
public static void main(String[] args) throws IOException {
// 创建缓冲输入流读取BufferedReader
BufferedReader br = new BufferedReader(new InputStreamReader(TrafficProject.class.getClassLoader().getResourceAsStream("trffic_project.txt")));
// 读取第一行数据:城市数量
int totalNum = Integer.parseInt(br.readLine());
// 构建一个图对象
Graph g = new Graph(totalNum);
// 读取第二行数据:已修好的道路数量
int roadNum = Integer.parseInt(br.readLine());
// 循环读取已经修建好的道路,并调用addEdge方法
for (int i = 1;i<=roadNum;i++){
String line = br.readLine();
String[] str = line.split(" ");
int p = Integer.parseInt(str[0]);
int q = Integer.parseInt(str[1]);
g.addEdge(p,q);
}
// 根据图g和顶点9构建图的搜索对象
//DepthFirstSearch search = new DepthFirstSearch(g, 9);
BreadthFirstSearch search = new BreadthFirstSearch(g, 9);
//调用搜索对象的marked(10)方法和marked(8)方法
boolean marked1 = search.marked(10);
boolean marked2 = search.marked(8);
System.out.println("9号城市与10号城市是否连通:"+marked1);
System.out.println("9号城市与8号城市是否连通:"+marked2);
}
}
9号城市与10号城市是否连通:true
9号城市与8号城市是否连通:false
6)路径查找
在实际生活中,地图是经常使用的一种工具,通常会用它进行导航,输入一个出发城市,输入一个目的地城市,就可以把路线规划好,而在规划好的这个路线上,会路过很多中间的城市。
这类问题翻译成专业问题就是: 从s顶点到v顶点是否存在一条路径?如果存在,请找出这条路径。
例如在上图上查找顶点0到顶点4的路径用红色标识出来,那么可以把该路径表示为 0-2-3-4
1、路径查找API设计
2、路径查找实现
实现路径查找,最基本的操作还是得遍历并搜索图,所以, 实现暂且基于深度优先搜索来完成。其搜索的过程是比较简单的。添加了edgeTo[]整型数组,这个整型数组会记录从每个顶点回到起点s的路径。 如果把顶点设定为0,那么它的搜索可以表示为下图:
根据最终edgeTo的结果,很容易能够找到从起点0到任意顶点的路径
package chapter14;
import chapter03.Stack;
/**
* @author 土味儿
* Date 2021/9/16
* @version 1.0
* 深度优先路径
*/
public class DepthFirstPaths {
/**
* 记录某个顶点是否被搜索过
* 索引表示顶点
* 值true:搜索过
* 值false:未搜索过
*/
private boolean[] marked;
/**
* 起点
*/
private int s;
/**
* 索引代表顶点
* 值代表从起点s到当前顶点路径上的最后一个顶点
*/
private int[] edgeTo;
/**
* 构造深度优先搜索对象,使用深度优先搜索找出g图中,起点为s的所有路径
*
* @param g
* @param s
*/
public DepthFirstPaths(Graph g, int s) {
// 初始化marked
this.marked = new boolean[g.getVNum()];
// 初始化起点
this.s = s;
// 初始化edgeTo数组
this.edgeTo = new int[g.getVNum()];
// 从起点s开始搜索
dfs(g, s);
}
/**
* 使用深度优先搜索找出g图中v顶点的所有相邻顶点
*
* @param g
* @param v
*/
private void dfs(Graph g, int v) {
// 开始搜索v,标识为已搜索
this.marked[v] = true;
// 遍历v顶点的相通顶点
for (Integer w : g.adj(v)) {
if (!this.marked[w]) {
// w的前一个顶点为v
edgeTo[w] = v;
dfs(g, w);
}
}
}
/**
* 判断v顶点到s起点是否有路径
*
* @param v
* @return
*/
public boolean hasPathTo(int v) {
return this.marked[v];
}
/**
* 找出从起点s到顶点v的路径(经过的顶点;可能不唯一)
*
* @param v
* @return
*/
public Stack<Integer> pathTo(int v) {
// 顶点v到起点没有路径,返回null
if (!hasPathTo(v)) {
return null;
}
// 创建栈对象,存储路径中顶点
Stack<Integer> path = new Stack<>();
// 从顶点v向前循环查找,到起点s为止
for (int x = v; x != s; x = edgeTo[x]) {
// 把查到的每个点放入栈中
path.push(x);
}
// 把起点放入栈中
path.push(s);
// 返回栈
return path;
}
}
package chapter14;
import chapter03.Stack;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
/**
* @author 土味儿
* Date 2021/9/16
* @version 1.0
*/
public class DepthFirstPathsTest {
public static void main(String[] args) throws IOException {
// 创建缓冲输入流读取BufferedReader
BufferedReader br = new BufferedReader(new InputStreamReader(DepthFirstPathsTest.class.getClassLoader().getResourceAsStream("road_find.txt")));
// 读取第一行数据:城市数量
int totalNum = Integer.parseInt(br.readLine());
// 构建一个图对象
Graph g = new Graph(totalNum);
// 读取第二行数据:已修好的道路数量
int roadNum = Integer.parseInt(br.readLine());
// 循环读取已经修建好的道路,并调用addEdge方法
for (int i = 0; i < roadNum; i++) {
String line = br.readLine();
int p = Integer.parseInt(line.split(" ")[0]);
int q = Integer.parseInt(line.split(" ")[1]);
g.addEdge(p, q);
}
// 根据图g和顶点0构建图的搜索对象
DepthFirstPaths paths = new DepthFirstPaths(g, 0);
// 调用搜索对象的pathTo(4)方法得到路径
Stack<Integer> path = paths.pathTo(4);
//遍历打印
for (Integer v : path) {
System.out.print(v + " ");
}
}
}
- road_find.txt
6
8
0 2
0 1
2 1
2 3
2 4
3 5
3 4
0 5
// 运行结果
0 2 3 4