数据结构与算法 —— 最小生成树Prim算法和Kruskal算法详细图解以及python实现

目录

前言

1. 介绍

2. Prim算法（普里姆算法）

2.1 Prim算法历史

2.2 Prim算法的基本思路

2.3 Prim算法图解

2.4 Prim算法（python）实现

3. Kruskal算法（克鲁斯卡尔算法）

3.1 Kruskal算法的基本思路

3.2 Kruskal算法图解

3.3 Kruskal算法（python）实现

4. 最小生成树和最短路径的区别

5. 结尾

---

前言

上一章我们整理了最短路径中的Dijkstra算法。
现在我们整理最小生成树中Prim算法（普里姆算法）和Kruskal算法（克鲁斯卡尔算法）。

---

1. 介绍

最小生成树也是图论中常见问题，其指的是在一个图中找到一个连通子图，使得所有节点都能够互相到达，且总权值最小。

最小生成树的例子在生活中也很常见，比如城市的公交线路系统需要规划如何走完一趟路径和是最短的，或者快递公司如何给不同住址的客户送货才能是最短的路径。

---

2. Prim算法（普里姆算法）

2.1 Prim算法历史

普里姆算法最初由捷克数学家沃伊捷赫·亚尔尼克于1930年发现，后来在1957年由美国计算机科学家罗伯特·普里姆独立发现，1959年艾兹格·迪科斯彻也再次发现了该算法。因此，普里姆算法在某些情况下也被称为DJP算法、亚尔尼克算法或普里姆-亚尔尼克算法。

2.2 Prim算法的基本思路

首先选择一个起始节点，以这个节点将图分成两个集合。一个已选集合，一个未选集合。把起始节点加入已选集合。

然后从已选节点集合出发，不断选择权值最小的边连接到未选节点集合中的节点，并将其加入已选节点集合。

不断循环此过程，直到所有节点都被加入到已选节点集合中，形成最小生成树。

这就是Prim算法的基本思路。

简单来说，就是从一个点开始，不断寻找距离最短的边，将其加入最小生成树中，并将与之相连的未访问点所构成的边加入集合中，直到所有节点都被访问过为止。

2.3 Prim算法图解

在下面这个图的基础上，我们可以一步一步来分析Prim 算法的过程。

我们的目的是用此算法判断出构成最小生成树的所有边。

 

 接下来一样的操作，就不在图中标注文字解释了。

算法完成，我们得到了构成最小生成树的所有边。

2.4 Prim算法（python）实现

def prim_algorithm(graph):
    num_vertices = len(graph)
    
    # 初始化集合
    selected = set()
    selected.add(list(graph.keys())[0])  # 从第一个顶点开始
    unselected = set(graph.keys()) - selected
    
    # 初始化最小生成树结果
    minimum_spanning_tree = []

    while unselected:
        min_weight = float('inf')
        start_vertex = None
        end_vertex = None

        # 遍历已选集合中的每个顶点
        for vertex in selected:
            # 遍历未选集合中的每个顶点
            for neighbor, weight in graph[vertex].items():
                if neighbor in unselected:
                    # 找到权值最小的边
                    if min_weight > weight:
                        min_weight = weight
                        start_vertex = vertex
                        end_vertex = neighbor

        # 将找到的最小权值边添加到最小生成树结果中
        minimum_spanning_tree.append((start_vertex, end_vertex, min_weight))
        selected.add(end_vertex)
        unselected.remove(end_vertex)

    return minimum_spanning_tree

graph = {
    'A': {'B': 2, 'C': 9},
    'B': {'A': 2, 'D': 4, 'E': 8},
    'C': {'A': 9, 'E': 10, 'F': 3},
    'D': {'B': 4, 'E': 1, 'G': 5},
    'E': {'B': 8, 'C': 10, 'D': 1, 'F': 11, 'G': 6, 'H': 12},
    'F': {'C': 3, 'E': 11, 'H': 17},
    'G': {'D': 5, 'E': 6},
    'H': {'E': 12, 'F': 17},
}

result = prim_algorithm(graph)
print(result)

实现了一个上面举例子用的图，运行此程序会打印出：

[('A', 'B', 2), ('B', 'D', 4), ('D', 'E', 1), ('D', 'G', 5), ('A', 'C', 9), ('C', 'F', 3), ('E', 'H', 12)]

前两个字母表示最小生成树中的一条边，后面的数字代表这条边的权值。可以与上面的图解结合起来看。 

---

3. Kruskal算法（克鲁斯卡尔算法）

3.1 Kruskal算法的基本思路

该算法是先取出所有的边，按其权值从小到大的顺序排列，然后不断取出权值最小的边放入图中，一共取n-1条边（n为节点数）。但是每次放入一条边都要判断是否形成了环。如果没有形成环，则将该边纳入最小生成树中。如果形成了环，则舍弃这条边，继续取下一条边。

3.2 Kruskal算法图解

首先取出图中所有的边，并且按其权值从小到大排序。

 

此时，边的数量 = n-1，算法结束。同样也得到了一个最小生成树。 

3.3 Kruskal算法（python）实现

def find(parent, vertex):
    if parent[vertex] == vertex:
        return vertex
    return find(parent, parent[vertex])

def union(parent, rank, vertex1, vertex2):
    root1 = find(parent, vertex1)
    root2 = find(parent, vertex2)

    if root1 != root2:
        if rank[root1] > rank[root2]:
            parent[root2] = root1
        else:
            parent[root1] = root2
            if rank[root1] == rank[root2]:
                rank[root2] += 1

def kruskal_algorithm(graph):
    # 初始化结果
    minimum_spanning_tree = []

    # 初始化并查集
    parent = {vertex: vertex for vertex in graph.keys()}
    rank = {vertex: 0 for vertex in graph.keys()}

    # 获取所有的边
    edges = []
    for vertex, neighbors in graph.items():
        for neighbor, weight in neighbors.items():
            edges.append((vertex, neighbor, weight))

    # 按权值排序边
    edges.sort(key=lambda edge: edge[2])

    # 不断取出权值最小的边并判断是否形成环
    for edge in edges:
        vertex1, vertex2, weight = edge
        if find(parent, vertex1) != find(parent, vertex2):
            union(parent, rank, vertex1, vertex2)
            minimum_spanning_tree.append(edge)

        if len(minimum_spanning_tree) == len(graph) - 1:
            break

    return minimum_spanning_tree

graph = {
    'A': {'B': 2, 'C': 9},
    'B': {'A': 2, 'D': 4, 'E': 8},
    'C': {'A': 9, 'E': 10, 'F': 3},
    'D': {'B': 4, 'E': 1, 'G': 5},
    'E': {'B': 8, 'C': 10, 'D': 1, 'F': 11, 'G': 6, 'H': 12},
    'F': {'C': 3, 'E': 11, 'H': 17},
    'G': {'D': 5, 'E': 6},
    'H': {'E': 12, 'F': 17},
}

result = kruskal_algorithm(graph)
print(result)

find(parent, vertex)函数：这个函数的作用是找到给定顶点所属集合的代表元素。

union(parent, rank, vertex1, vertex2)函数：这个函数的作用是将两个不同集合合并成一个集合。 

运行上面程序之后会打印：

[('D', 'E', 1), ('A', 'B', 2), ('C', 'F', 3), ('B', 'D', 4), ('D', 'G', 5), ('A', 'C', 9), ('E', 'H', 12)]

可以发现与我们图解的答案包括Prim算法的答案是一致的。

4. 最小生成树和最短路径的区别

最小生成树和最短路径问题在目标、应用场景和解决方法上都有所不同。最小生成树关注的是连接所有顶点的最小总权值，而最短路径关注的是在带权图中找到顶点之间的最短路径。

结合图解来看会更加清晰（选择节点D为起始节点）：

---

5. 结尾

到这里为止，我们已经整理了

图的基本结构，

深度优先搜索，广度优先搜素，

最短路径Dijkstra算法，

最小生成树Prim算法和Kruskal算法。

基本上图的内容已经整理的差不多了。下面会整理贪心算法（greedy algorithm）的内容。

如果有地方讲的不对或者大家有什么疑问，欢迎留言或者私信我！