数据结构笔记 - 图

图（Graph）

相关代码：https://github.com/xu509/Java-practise/tree/master/src/graph

1、 定义

图是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合。

• • 顶点（Vertex）： 图中的数据元素。
  • 图结构中不允许没有顶点，既是顶点集合V有穷非空。
  • 图中，任意两个顶点之间都可能有关系，顶点之间的逻辑关系用边来表示，边集可以为空。

1.1 各种图定义

无向边：若顶点Vi到Vj之间的边没有方向，则称这条边为无向边（Edge），用无序偶对（Vi，Vj）来表示。

有向边：若从顶点Vi到Vj的边有方向，则称这条边为有向边，也称为弧（Arc）。用有序偶<Vi,Vj>来表示，Vi称为弧尾(Tail),Vj称为弧头(Head)。

简单图：若不存在顶点到其自身的边，且同一条边不重复出现，则称这样的图为简单图。

无向完全图：在无向图中，如果任意两个顶点之间都存在边，则称为该图为无向完全图。

有向完全图：在有向图中，如果任意两个顶点之间都存在方向互为相反的两条弧、则称该图为有向完全图。

稀疏图\稠密图：有很少条边或弧的图称为稀疏图，反之称为稠密图。稀疏和稠密是模糊的概念，都是相对而言的。

权（Weight）：有些图的边或弧具有与它相关的数字，这种图的边或弧相关的数叫做权。

网（Network）：带权的图通常称为网。

子图（Subgraph）：假设有两个图G=（V,{E}）和G‘=（V',{E'}），如果V’∈V且E‘∈E，则称G’为G的子图。

1.2 图的顶点与边间关系

邻接点（Adjacent）：对于无向图 G = （V，{E}），如果边（v，v‘）∈E，则称顶点 v 和 v’ 互为邻接点，即 v 和 v‘ 相关联。边（v,v'）依附 (incident) 于顶点v 和 v‘，或者说(v,v’)与顶点v和v‘相关联。

度（Degree）：顶点 v 的度是和 v 相关联的边的数目，记为TD（v）。

对于有向图G=(V,{E})，如果弧< v , v' >∈E，则称顶点 v 邻接到顶点 v’ ，顶点 v‘ 邻接自 顶点 v 。弧 <v,v'>和顶点 v,v' 相关联。以顶点 v 为头的弧的数目称为 v 的入度（InDegree），记为ID （v）；以 v 为尾的弧的数目称为 v 的出度 （OutDegree），记为OD (v)。

路径的长度是路径上的边或弧的数目。

回路，环（Cycle）： 第一个顶点到最后一个顶点相同的路径称为回路或环。

简单路径：序列中顶点不重复出现的路径称为简单路径。

简单回路，简单环：除了第一个顶点和最后一个顶点之外，其余顶点不重复出现的回路，称为简单回路或简单环。

1.3  连通图相关术语

连通图（Connected Graph）： 在无向图 G 中，如果从顶点 v 到顶点 v’ 有路径，则称 v 和 v‘是连通的。如果对于图中任意两个顶点 vi 、vj ∈ V， vi和 vj都是连通的，则称G是连通图。

无向图中的极大连通子图称为连通分量。连通分量的概念强调：

• 要有子图；
• 子图要是连通的；
• 连通子图含有极大顶点数；
• 具有极大定点数的连通子图包含依附于这些顶点的所有边。

有向图 G 中，如果对于每一对 vi、vj∈V、vi ≠ vj ，从 vi 到 vj 和从 vj 到 vi 都存在路径， 则称G是 强连通图。有向图中的极大强连通子图称做有向图的 强连通分量。

2、图的抽象数据类型

DATA :顶点的有穷非空集合和边的集合。

OPERATION： CreateGraph、DestroyGraph、LocateVex、GetVex、PutVex、FirstAdjVex（返回邻接顶点）、NextAdjVex（返回下一个邻接顶点）、InsertVex、DeleteVex、InsertArc（增加弧）、DeleteArc、DFSTraverse（深度优先遍历）、HFSTraverse（广度优先遍历）。

3、图的存储结构

由于图的结构比较复杂，不可能用简单的顺序结构来表示。有5种不同的存储结构。

3.1、邻接矩阵（Adjacency Matrix）

图的邻接矩阵存储方式是用两个数组来表示图。一个一位数组存储图中顶点信息，一个二维数组存储图中的边或弧的信息。

3.2、邻接表（Adjacency List）

当图中边数相对于顶点较少的图，邻接矩阵的结构对存储空间存在巨大浪费，于是采用数组与链表相结合存储方式，即邻接表。处理方法如下：

• 顶点表 ：图中顶点用一个一位数组存储，每一个数据元素还需要存储指向第一个邻接点的指针。

（留空图片）

• 边　表：图中每个顶点vi的所有邻接点构成一个线性表，使用单链表存储。

（留空图片）

若图是有向图，即以顶点为弧尾来来存储边表，可容易得到每个顶点的出度。

也有时为了便于确定顶点的入度或以顶点为弧头的弧，则建立一个 逆邻接表，即对每个顶点Vi都建立一个链接为Vi为弧头的表。

3.3、 十字链表（ Orthogonal List）

邻接表只关心出度，而逆邻接表只关心入度，而十字链表可结合两者。

• 顶点表 ：图中顶点用一个一位数组存储，数组元素分别为 data  ,firstin,firstout。

（留空图片）

firstin 表示入边表头指针， firstout表示出边表头指针。

• 边    表 ：边表结点结构包括，tailvex、headvex、headlink、taillink。如果是网需记录权值。

（留空图片）

tailvex是指弧起点在顶点表的下标。 headvex是指弧终点在顶点表中的下表。

headlink是指入边表指针域，指向终点相同的下一条边。taillink是指出边表指针域，指向起点相同的下一条边。

3.4、邻接多重表

对于无向图的邻接表，如果注重边的操作，如删除添加，则需要到这条边的2个边表结点进行操作，步骤则会很繁琐。

因此，仿照十字链表的方式，对边表结点的结构进行改造，能避免上述问题。

• 边    表 ：边表结点结构包括，ivex、ilink、jvex、jlink。

（留空图片）

ivex和 jvex表示某条边依附的两个顶点在顶点表中的下标。

ilink 指向依附顶点 ivex的下一条边。 jlink指向依附于 jvex的下一条边。

注意，ilink指向的结点的jvex一定要和它本身的ivex的值相同。

目前不了解jlink的指向有什么讲究。

3.4、边集数组

对于有向图，边集数组由两个一位数组构成。一个存储顶点的信息；另一个是存储边的信息，这个边数组的数据元素的组成为：起点下标begin、终点下标end、和权weight。

4、图的遍历

从图中某一顶点出发访遍图中其余顶点，且使每一个顶点仅被访问一次，这一过程叫做图的遍历（Traversing Graph）。

4.1、深度优先遍历DepthFirstSearch

它从图中某个顶点V出发，访问此顶点，然后从v的未被访问的邻接点出发深度优先遍历图，直到所有和v有路径相同的顶点都被访问到为止。

4.2、广度优先遍历BreadthFirstSearch

图的广度优先遍历就类似于树的层序遍历了。

5、最小生成树（Minimum Cost Spanning Tree）

//以下算法代码，均在github中，配合代码才能理解。

我们把构造连通网的最小代价生成树称为最小生成树，找连通图中的最小生成树，经典的有两种算法，普利姆算法和克鲁斯卡尔算法。

5.1、普利姆（Prim）算法

假设N=（P,{E}）是连通网，TE是N上最小生成树中边的集合。算法从U={u0}(u0∈V)，TE={}。

重复执行下述操作： 在所有u∈U，v∈V-U的边（u,v）∈E中找到一条代价最小的边(u0,v0)并入集合TE，同时v0并入U，直至U=V为止。此时TE中必有n-1条边，则T=(V,{TE})为N的最小生成树。

个人理解：定义2个数组，E[]存储最小生成树的路径集合数组，F[]数组存储到每一个顶点的权。先从一个顶点A开始，遍历他所有的邻接边，将最小的邻接边放入E数组，将其他所有邻接边放入F数组，再获取最小邻接边所衔接的邻接点B，将B中所有邻接边的权遍历，将小于F数组中相应权的数值更新进F[](其中不包括已经存入E数组的路径)，然后在F中取得最小路径放入E，由此循环。

5.2、克鲁斯卡尔（Kruskal）算法

假设N=（V,{E}）是连通网，则令最小生成树的初始状态为只有n个顶点而无边的非连通图 T = {V,{}}.图中每个顶点自成一个连通分量。在E中选择代价最小的边，若该边依附的顶点落在T中不同的连通分量上，则将此边加入到T中，否则舍去此边而选择下一条代价最小的边。以此类推，直至T中所有顶点都在同一连通分量上为止。

个人理解：图数据以边集数组形式保存，排序出权值最小的边，加入图中。然后依次加入除初始边外其他最小的边，如果在新图中形成环则舍弃，否则添加，直到所有顶点都成1连通分量停止。

6、最短路径

6.1、迪杰斯特拉（Dijkstra）算法

和prim算法的想法一样，逐个获取路径，如先获取V0 -V1的路径，然后在此基础上获取V0-V2的路径。

6.2、佛洛依德（Floyd）算法

个人理解：图的数据结构由邻接矩阵组成。重点思想：设 a为路径起点，b为路径重点，k为中转顶点。如果a -> b 的权值 > a->k + k->b，即经过中转顶点后，a至b的权值小于a和b的直接路径，则修改邻接矩阵的权值，由含中转顶点的权值代入。

具体实现需看代码理解。

7、拓扑排序

 

7.1 拓扑排序介绍

AOV网： 在一个表示工程的有向图中，用顶点表示活动，用弧表示活动之间的优先关系，这样的有向图为顶点表示活动的网，我们称为AOV网（Activity on Vertex Network）。

拓扑序列： 设G={V,E}是一个具有n个顶点的有向图，V中的顶点序列V1，V2.....Vn，满足若从顶点Vi到Vj有一条路径，则在顶点序列中顶点Vi必在顶点Vj之前。则我们称这样的顶点序列为一个拓扑序列。

拓扑排序：是对一个有向图构造拓扑序列的过程。

7.2 拓扑排序算法

基本思路：从AOV网中选择一个入度为0的顶点输出，然后删去此顶点，并删除以此顶点为尾的弧，重复此步骤，直到全部顶点或AOV网中不存在入度为0的顶点为止。

写的例子思路:   1、先遍历顶点数组，将入度为0的顶点压入堆栈。

2、出栈1个入度为0的顶点，并获取他的边结点链表。

3、获取边结点链表，如果边结点链表，将链表中所有顶点入度减去1。

4、如果对应顶点为0，再次压入堆栈，重新回到2。

5、等所有栈中元素都出栈后，如果循环次数小于顶点数，则说明有环，该图非AOV网。

8、关键路径

8.1 概念

在一个表示工程的带权有向图中，用顶点表示事件，用有向边表示活动，用边上的权值表示活动的持续时间，这种有向图的边表示活动的网，我们称之为AOE网（Activity On Edge Network）。

我们把路径上各个活动所持续的时间之和称为路径长度，从源点到汇点具有最大长度的路径叫关键路径，在关键路径上的活动叫关键活动。

8.2 关键路径算法原理 

这里举个例子，一学生放学回家后离睡觉有4小时的空闲时间，而家庭作业需要2小时完成。如果一回家就做家庭作业即是该活动的最早开始时间，可以理解成0，如果拖延2小时后再做家庭作业，则这个时间为活动的最晚开始时间，这里理解成2。如果需要做4小时的作业，即回家后直到睡觉都需要做作业，那最早开始时间等于最晚开始时间，则把做作业这个活动称为关键活动。

-事件的最早发生时间etv（earliest time of vertex）：即顶点Vk的最早发生时间。

-事件的最晚发生时间ltv（latest time of vertex）：即顶点Vk的最晚发生时间。

-活动的最早开工时间ete（earliest time of edge）：即弧Ak的最早发生时间。

-活动最晚开工时间lte（latest time of edge）：即弧Ak的最晚发生时间。

可通过etv和ltv获得ete和lte，然后再根据etep[k]和lte[k]来判断Ak是否为关键活动。

etv[k] = 0 , 当k = 0时，

etv[k] = max{etv[i] + len<Vi,Vk>}  当k≠0且<Vi,Vk>∈P[k]时，

len表示弧<Vi,Vk>的权值

ltv[k] = etv[k] ， 当k = n - 1

ltv[k] = min{ltv[j] - len<Vk,Vj>} ，当k＜n-1且<Vk，Vj>∈S[k]时

S[K]表示所有从顶点出发的弧的集合。