算法系列-有向图遍历

最新推荐文章于 2024-07-15 17:29:31 发布

weixin_34210740

最新推荐文章于 2024-07-15 17:29:31 发布

阅读量786

点赞数

文章标签： java 数据结构与算法

原文链接：http://blog.51cto.com/tianya23/771711

版权

有向图基本算法 -- 遍历算法

1. 图的表示

2. 有向图的遍历算法:深度优先

3. 有向图的遍历算法:广度优先

4 代码反思

5. 下载

1. 图的表示

1.1 图的定义

图G定义为V和E的集合G={V, E}，其中V表示图中的所有的顶点集合，E表示的是G中的所有的边的集合。图按照E中的元素是否有方向，分为有向图和无向图。

1.2 图的表示方法

上面给出的数学上图的定义，那么在计算机中如何表示图？通常意义上，有下面的两种方法：邻接表和邻接矩阵表示法。

无向图的邻接表和邻接矩阵表示如下所示：

有向图的邻接表和邻接矩阵表示如下所示：

根据上面的表示方法，下面定义图G的这种数据结构（邻接表），首先定义图的顶点GraphVertex：

// 顶点显示的符号

public char Symbol { get; set; }

// 顶点当前颜色

public VertexColor Color { get; set; }

// 顶点和开始节点之间的距离

public int Distance { get; set; }

// 广度遍历父节点

public GraphVertex Parent { get; set; }

// 深度优先搜索中的开始时间

public int StartTime { get; set; }

// 深度优先搜索中的结束时间

public int FinishTime { get; set; }

// 顶点对应的边

public List<GraphEdge> FollowEdges { get; set; }

定义图G的边的数据结构：

// 边开始顶点，在邻接表的存储中其实没有必要存储

public GraphVertex From { get; set; }

// 结束顶点

public GraphVertex To { get; set; }

// 边权重

public int Weight { get; set; }

定义图：

// 数据成员，这里假设的是顶点的symbol是各个不相同的

private Hashtable graph =

new Hashtable();

private int time = 0;

整体上的结构如下：

2. 有向图的深度优先算法

2.1 基本算法

其中d表明的是某个节点第一次被发现的时间点，f表明从节点出发的全部节点已经被发现的时间。

2.2 设计实现

// 深度优先遍历算法

public void DepthFirstVisit(GraphVertex v)

{

// 刚刚被发现，颜色为gray

Console.WriteLine(v.Symbol);

v.Color = VertexColor.GRAY;

this.time++;

// 开始时间

v.StartTime = this.time;

foreach (GraphEdge edge in v.FollowEdges)

{

// 还未被发现

if (edge.To.Color == VertexColor.WHITE)

{

edge.To.Parent = v;

DepthFirstVisit(edge.To);

}

// 如果边都已经发现完成

v.Color = VertexColor.BLACK;

this.time++;

v.FinishTime = this.time;

}

public void DepthFirstTravel()

{

// 全局时间变量

this.time = 0;

// 初始化

GraphVertex v;

foreach (DictionaryEntry e in this.graph)

{

v = (GraphVertex)e.Value;

v.Color = VertexColor.WHITE;

v.Parent = null;

}

// 递归调用

// 队所有的顶点

foreach (DictionaryEntry e in this.graph)

{

v = (GraphVertex)e.Value;

// 顶点为白色

if (v.Color == VertexColor.WHITE)

{

DepthFirstVisit(v);

}

3. 有向图的遍历算法：广度优先

3.1 基本算法

其中color域表示的是当前某个节点被发现的状态。如果是white表明没有被发现，gray表示当前顶点已经被发现，但是从该节点出发的节点还没有被全部发现。parent域定义的是在搜索算法时父节点。distance域表明的是从节点s到某个发现的节点v的路径距离。

3.2 设计实现

// 广度优先遍历算法，同时生成广度优先树

public void BreadthFirstTravel(GraphVertex s)

{

// 初始化所有节点

GraphVertex v;

foreach (DictionaryEntry e in this.graph)

{

v = (GraphVertex)e.Value;

v.Color = VertexColor.WHITE;

v.Distance = int.MaxValue;

v.Parent = null;

}

// 发现第一个节点

s.Color = VertexColor.GRAY;

s.Distance = 0;

s.Parent = null;

// 初始化队列

Queue context =

new Queue();

context.Enqueue(s);

// 如果队列不空的话

while (context.Count != 0)

{

// 队首元素出队

v = context.Dequeue() as GraphVertex;

Console.WriteLine(v.Symbol);

// 遍历v的节点

foreach (GraphEdge item in v.FollowEdges)

{

if ( item.To.Color == VertexColor.WHITE)

{

item.To.Color = VertexColor.GRAY;

item.To.Distance = v.Distance + 1;

item.To.Parent = v;

context.Enqueue(item.To);

}

v.Color = VertexColor.BLACK;

}

4. 代码反思

上面的搜索代码结构是比较典型的搜索结构：首先定义队列或者是栈来保存程序运行状态，如果容器不空，取出元素，然后对取出的元素做一些处理。

5. 代码下载

/Files/xuqiang/DirectedGraph1.rar

=================================================================

Java版代码实现

import java.util.ArrayList;
import java.util.List;
// 模块E
public class AdjMatrixGraph<E> {
protected SeqList<E> vertexlist; // 顺序表存储图的顶点集合
protected int[][] adjmatrix; // 图的邻接矩阵二维图存储的是每个顶点的名称（A,B,C,D....）
private final int MAX_WEIGHT = Integer.MAX_VALUE / 2;
// private final int MAX_WEIGHT = 10000;
// -------一，构造图：增删改查-------------------------//
public AdjMatrixGraph(int n) {// n为顶点的数目
this.vertexlist = new SeqList<E>(n);
this.adjmatrix = new int[n][n];
for (int i = 0; i < n; i++)
for (int j = 0; j < n; j++)
this.adjmatrix[i][j] = (i == j) ? 0 : MAX_WEIGHT;
// 对角线上为0，其他的都为无穷大。
}
// 构造函数内一个是字符串数组，一个是edge的set集合
public AdjMatrixGraph(E[] vertices, Edge[] edges) {
this(vertices.length);
for (int i = 0; i < vertices.length; i++)
insertVertex(vertices[i]);// 添加顶点
for (int j = 0; j < edges.length; j++)
insertEdge(edges[j]);// 添加边
}
// 构造函数内一个是数组集合，一个是edge的set集合
public AdjMatrixGraph(SeqList<E> list, Edge[] edges) {
this(list.length());
this.vertexlist = list;
for (int j = 0; j < edges.length; j++)
insertEdge(edges[j]);
}
// 显示出一共顶点的数目
public int vertexCount() {
return this.vertexlist.length();
}
// 根据编号得到该顶点
public E get(int i) {
return this.vertexlist.get(i);
}
public boolean insertVertex(E vertex) { // 插入一个顶点，若插入成功，返回true
return this.vertexlist.add(vertex);
}
public boolean insertEdge(int i, int j, int weight)
// 插入一条权值为weight的边<vi,vj>，若该边已有，则不插入
{
if (i >= 0 && i < vertexCount() && j >= 0 && j < vertexCount()
&& i != j && adjmatrix[i][j] == MAX_WEIGHT) {
// 先判断该边两个顶点的编号是否在范围，该边的值是否为最大值，来确定所添加边的值是否存在；
this.adjmatrix[i][j] = weight;// 添加权值
return true;
}
return false;
}
public boolean insertEdge(Edge edge) {
if (edge != null)
;
return insertEdge(edge.start, edge.dest, edge.weight);
}
public String toString() {
String str = "顶点集合： " + vertexlist.toString() + "\n";
str += "邻近矩阵： \n";
int n = vertexCount();
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
if (adjmatrix[i][j] == MAX_WEIGHT)
str += " ∞";// 最大值（不存在）的时候的显示方式；
else
str += " " + adjmatrix[i][j];// 每一个顶点到其他顶点的权值
}
str += "\n";
}
return str;
}
public boolean removeEdge(int i, int j) // 删除边〈vi,vj〉，若成功，返回T
{
if (i >= 0 && i < vertexCount() && j >= 0 && j < vertexCount()
&& i != j && this.adjmatrix[i][j] != MAX_WEIGHT) {
// 判断该边的两个顶点是否存在，以及改边的值是否为最大值来判断改边是否存在；
this.adjmatrix[i][j] = MAX_WEIGHT; // 设置该边的权值为无穷大，说明已不存在；
return true;
}
return false;
}
public boolean removeVertex(int v) // 删除序号为v的顶点及其关联的边
{
int n = vertexCount(); // 删除之前的顶点数
if (v >= 0 && v < n) {// V的要求范围
this.vertexlist.remove(v); // 删除顺序表的第i个元素，顶点数已减一
for (int i = v; i < n - 1; i++)
for (int j = 0; j < n; j++)
this.adjmatrix[i][j] = this.adjmatrix[i + 1][j]; // 邻接矩阵：删除点以下往上移动一位
for (int j = v; j < n - 1; j++)
for (int i = 0; i < n - 1; i++)
this.adjmatrix[i][j] = this.adjmatrix[i][j + 1]; // 邻接矩阵：删除点以右往左移动一位
return true;
}
return false;
}
public int getFirstNeighbor(int v) // 返回顶点v的第一个邻接顶点的序号
{
return getNextNeighbor(v, -1);
} // 若不存在第一个邻接顶点，则返回-1
public int getNextNeighbor(int v, int w) { // 返回v在w后的下一个邻接顶点
if (v >= 0 && v < vertexCount() && w >= -1 && w < vertexCount()// 对v
// w的范围限定
&& v != w)
for (int j = w + 1; j < vertexCount(); j++)
// w=-1时，j从0开始寻找下一个邻接顶点
if (adjmatrix[v][j] > 0 && adjmatrix[v][j] < MAX_WEIGHT)
// 遍历和v相关的点，得到下一个点
return j;
return -1;
}
// -------二，最小生成树-------------------------//
/*
* 普里姆算法的基本思想: 取图中任意一个顶点 v 作为生成树的根，之后往生成树上添加新的顶点 w。在添加的顶点 w
* 和已经在生成树上的顶点v之间必定存在一条边，并且该边的权值在所有连通顶点 v 和 w 之间的边中取值最小。
* 之后继续往生成树上添加顶点，直至生成树上含有 n-1 个顶点为止。
*/
public AdjMatrixGraph minSpanTree_prim() {
Edge[] mst = new Edge[this.vertexCount() - 1]; // n个顶点最小生成树有n-1条边
int un;
List<Integer> u = new ArrayList<Integer>();// 存放所有已访问过的顶点集合
u.add(0);// 起始点默认为标识为0的顶点
for (int i = 0; i < this.vertexCount() - 1; i++) {
int minweight = MAX_WEIGHT;// 最小边的时候，权值
int minstart = MAX_WEIGHT;// 最小边的时候，起点
int mindest = MAX_WEIGHT;// 最小边的时候，终点
for (int j = 0; j < u.size(); j++) {
un = u.get(j);
for (int k = 0; k < this.vertexCount(); k++) {
// 获取最小值的条件：1.该边比当前情况下的最小值小；2.该边还未访问过；
if ((minweight > adjmatrix[un][k]) && (!u.contains(k))) {
minweight = adjmatrix[un][k];
minstart = un;
mindest = k;
}
}
}
System.out.println("一次遍历所添加的最小边：他的权值，起点，终点分别为：weight:" + minweight
+ "start:" + minstart + "dest:" + mindest);
u.add(mindest);
Edge e = new Edge(minstart, mindest, adjmatrix[minstart][mindest]);
mst[i] = e;
}
return new AdjMatrixGraph(this.vertexlist, mst); // 构造最小生成树相应的图对象
}
/*
* public AdjMatrixGraph minSpanTree_kruskal() { }
*/
// -------三，图的遍历（广度遍历，深度遍历）-------------------------//
public void DFStraverse() {
int n = this.vertexCount();
boolean[] visited = new boolean[n];
for (int i = 1; i < n; i++) {
visited[i] = false;
}
// 编号0为起始点，进行一次深度优先遍历（一次得到一个连通分量）
for (int j = 0; j < n; j++) {
if (!visited[j]) {
System.out.println("以该顶点为" + j + "起始点的遍历：");
this.DFS(j, visited);
}
}
}
// 参数1：遍历起始点的编号，参数2：记录各个顶点是否被访问过
public void DFS(int v, boolean[] visited2) {
boolean[] visited = visited2;
visited[v] = true;
System.out.println("遍历顶点" + v);
for (int w = this.getFirstNeighbor(v); w >= 0; w = this
.getNextNeighbor(v, w)) {
if (!visited[w]) {
visited[w] = true;
DFS(w, visited);
}
}
}
public void BFStraverse() {
int n = this.vertexCount();
boolean[] visited = new boolean[n];
MyQueue myqueue = new MyQueue();
for (int i = 1; i < n; i++) {
visited[i] = false;
}
for (int j = 0; j < n; j++) {
if (!visited[j]) {
visited[j] = true;
System.out.println("遍历起点：" + j);
myqueue.EnQueue(j);
while (!myqueue.empty()) {
int v = (Integer) myqueue.DeQueue();
System.out.println("遍历点：" + v);
for (int w = this.getFirstNeighbor(v); w >= 0; w = this
.getNextNeighbor(v, w)) {
if (!visited[w]) {
visited[w] = true;
myqueue.EnQueue(w);
}
}
}
}
}
}
// -------四，图的最短路径Dijkstra算法-------------------------//
public void Dijkstra() {
int n = this.vertexCount();
int minweight = MAX_WEIGHT;
int minUn = 0;
int[] minmatrix = new int[n];// 存放当前起始点到其余各个顶点的距离；
boolean[] isS = new boolean[n];// 判断各个是否被访问过
String[] route = new String[n];// 每个字符串是显示对应顶点最短距离的路径；
for (int i = 1; i < n; i++) {// 初始化
minmatrix[i] = adjmatrix[0][i];
isS[i] = false;
route[i] = "起点->" + i;
}
for (int i = 1; i < n; i++) {
// 选择当前和起点连通的，且值最小的顶点；
for (int k = 1; k < n; k++) {
if (!isS[k]) {
if (minmatrix[k] < minweight) {
minweight = minmatrix[k];
minUn = k;
}
}
}
isS[minUn] = true;// 将该点设置为已访问；
for (int j = 1; j < n; j++) {
if (!isS[j]) {// 判断：该顶点还没加入到S中/属于U-S；
if (minweight + adjmatrix[minUn][j] < minmatrix[j]) {
// 通过当下最小值访问到得其他顶点的距离小于原先的最小值则进行交换值
minmatrix[j] = minweight + adjmatrix[minUn][j];
route[j] = route[minUn] + "->" + j;
}
}
}
minweight = MAX_WEIGHT;// 因为要放到下一个循环中，所以一定要重设置一下，回到最大值
}
for (int m = 1; m < n; m++) {
System.out.println("从V0出发到达" + m + "点");
if (minmatrix[m] == MAX_WEIGHT) {
System.out.println("没有到达该点的路径");
} else {
System.out.println("当前从V0出发到达该点的最短距离：" + minmatrix[m]);
System.out.println("当前从V0出发到达该点的最短距离：" + route[m]);
}
}
}
// -------五，图的连通性-------------------------//
public boolean isConnect() {
int n = this.vertexCount();
boolean[] visited = new boolean[n];
// 记录不能一次深度优先遍历通过的数目
// 全部顶点作为出发点开始遍历，如果全部都不能一次遍历通过（notConnectNum == n），说明该图不连通。
int notConnectNum = 0;
for (int j = 0; j < n; j++) {
for (int i = 0; i < n; i++) {
visited[i] = false;
}
this.DFS(j, visited);
for (int k = 0; k < n; k++) {
System.out.println(visited[k]);
if (visited[k] == false) {
notConnectNum++;
break;// 一旦有没有被遍历到的顶点（说明该顶点不属于该连通分量），跳出循环
}
}
}
if (notConnectNum == n) {
System.out.println("此图是不连通的");
return false;
} else {
System.out.println("此图是连通的");
return true;
}
}
// -------六，图的拓扑排序-------------------------//
public void topologicalSort() {
int n = this.vertexCount();
int[] indegree = new int[n];
MyStack mystack = new MyStack();
String route = "拓扑排序出发：";
int count = 0;
for (int i = 0; i < n; i++) {
indegree[i] = 0;
for (int j = 0; j < n; j++) {//获取每一个顶点的入度
if (adjmatrix[j][i] != 0 && adjmatrix[j][i] != MAX_WEIGHT) {
indegree[i] += 1;
}
}//先将入度为0的顶点加入到栈中
if (indegree[i] == 0) {
mystack.push(i);
}
}
while (!mystack.empty()) {
int v = (Integer) mystack.pop();//从栈中删除该顶点
route += "->" + v;
++count;
for (int w = this.getFirstNeighbor(v); w >= 0; w = this
.getNextNeighbor(v, w)) {
indegree[w] -= 1;//因为该顶点被“删除”，所有以该顶点为弧尾的边的弧头的入度减一
if (indegree[w] == 0) {
mystack.push(w);//先将入度为0的顶点加入到栈中
}
}
}
if (count < n) {//当经历拓扑排序遍历后，所有顶点都被“删除”时（count=n），此时实现拓扑排序
System.out.println("存在回路，不满足拓扑排序的条件");
} else {
System.out.println("实现拓扑排序" + route);
}
}
}

转载于:https://blog.51cto.com/tianya23/771711

weixin_34210740

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
算法系列-有向图遍历

有向图基本算法 -- 遍历算法1. 图的表示2. 有向图的遍历算法:深度优先3.有向图的遍历算法:广度优先4 代码反思5. 下载1. 图的表示 1.1 图的定义图G定义为V和E的集合G={V, E}，其中V表示图中的所有的顶点集合，E表示的是G中的所有的边的集合。图按照E中的元素是否有方向，分为有向图和无向图。1.2 图的表...
复制链接

扫一扫