数据结构 - 图的基本概念

最新推荐文章于 2024-09-23 19:48:24 发布

weixin_34277853

最新推荐文章于 2024-09-23 19:48:24 发布

阅读量368

点赞数

文章标签：数据结构与算法 python

原文链接：https://my.oschina.net/xinxingegeya/blog/3019478

版权

2019独角兽企业重金招聘Python工程师标准>>>

数据结构 - 图的基本概念

图论〔Graph Theory〕是数学的一个分支。它以图为研究对象。图论中的图是由若干给定的点及连接两点的线所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应两个事物间具有这种关系。图论是一种表示 "多对多" 的关系。

比如下面这张图

图的组成

图是由顶点和边组成的：。

图(graph)是由一些点(vertex)和这些点之间的连线(edge)所组成的(可以无边，但至少包含一个顶点)；其中，点通常被成为"顶点(vertex)"，而点与点之间的连线则被成为"边或弧"(edege)。通常记为，G=(V,E)。

一组顶点：通常用 V(vertex) 表示顶点集合
一组边：通常用 E(edge) 表示边的集合

图的分类

有向图和无向图

图可以分为有向图和无向图，在图中：

(v, w) 表示无向边，即 v 和 w 是互通的
<v, w> 表示有向边，该边始于 v，终于 w

上面的有向图包含了"A,B,C,D,E"共7个顶点，而且包含了"<A,B>,<A,D>,<A,E>,<B,C>,<C,D>,<D,E>"共6条边。

上面的无向图包含了"A,B,C,D,E"共7个顶点，而且包含了"(A,B),(A,D),(A,E),(B,C),(C,D),(D,E)"共6条边。

有权图和无权图

图可以分为有权图和无权图：

有权图：每条边具有一定的权重(weight)，通常是一个数字
无权图：每条边均没有权重，也可以理解为权为 1

连通图和非连通图

图又可以分为连通图和非连通图：

连通图：所有的点都有路径相连
非连通图：存在某两个点没有路径相连

图顶点的度

图中的顶点有度的概念：

度(Degree)：所有与它连接点的个数之和
入度(Indegree)：存在于有向图中，所有接入该点的边数之和
出度(Outdegree)：存在于有向图中，所有接出该点的边数之和

图的表示

图在程序中的表示一般有两种方式：

1. 邻接矩阵：

在 n 个顶点的图需要有一个 n × n 大小的矩阵
在一个无权图中，矩阵坐标中每个位置值为 1 代表两个点是相连的，0 表示两点是不相连的
在一个有权图中，矩阵坐标中每个位置值代表该两点之间的权重，0 表示该两点不相连
在无向图中，邻接矩阵关于对角线相等

2. 邻接表：

对于每个顶点，存储着一个链表，用来指向所有与该点直接相连的点
对于无向图来说，使用邻接表进行存储也会出现数据冗余，表头结点A所指链表中存在一个指向C的表结点的同时，表头结点C所指链表也会存在一个指向A的表结点

例如在无向无权图中：

在无向有权图中：

可以看出在无向图中，邻接矩阵关于对角线对称，而邻接链表总有两条对称的边

而在有向无权图中：

3. 邻接矩阵和邻接表对比

邻接矩阵由于没有相连的边也占有空间，因此存在浪费空间的问题，而邻接链表则比较合理地利用空间
邻接表比较耗时，牺牲很大的时间来查找，因此比较耗时，而邻接矩阵法相比邻接链表法来说，时间复杂度低。

4. 选择存储结构

根据图的 稠密程度 选择存储结构，假设图有 N 个节点 E 条边，若：

E << N^2 则为交叉少的稀疏图

使用邻接表存储只连接的节点，节省存储空间；使用邻接矩阵将要存储大量的 0 值，浪费空间。

E ≈ N^2 则为交叉多的稠密图

使用邻接矩阵将十分方便的查询连通性，较少的浪费存储空间。邻接表将查找麻烦。

图的遍历

图的遍历就是要找出图中所有的点，一般有以下两种方法：

1. 深度优先遍历：(Depth First Search, DFS)

基本思路：深度优先遍历图的方法是，从图中某顶点 v 出发

访问顶点 v
从 v 的未被访问的邻接点中选取一个顶点 w，从 w 出发进行深度优先遍历
重复上述两步，直至图中所有和v有路径相通的顶点都被访问到

伪码实现：

//伪码实现，类似于树的先序遍历
public void DFS(Vertex v){
    visited[v] = true;
    for(v 的每个邻接点 W){
	if(!visited[W]){
	    DFS(W);
	}
    }
}

2. 广度优先搜索：(Breadth First Search, BFS)

广度优先搜索，可以被形象地描述为 "浅尝辄止"，它也需要一个队列以保持遍历过的顶点顺序，以便按出队的顺序再去访问这些顶点的邻接顶点。

实现思路：

顶点 v 入队列
当队列非空时则继续执行，否则算法结束
出队列取得队头顶点 v；访问顶点 v 并标记顶点 v 已被访问
查找顶点 v 的第一个邻接顶点 col
若 v 的邻接顶点 col 未被访问过的，则 col 继续
查找顶点 v 的另一个新的邻接顶点 col，转到步骤 5 入队列，直到顶点 v 的所有未被访问过的邻接点处理完。转到步骤 2

要理解深度优先和广度优先搜索，首先要理解搜索步，一个完整的搜索步包括两个处理

获得当前位置上，有几条路可供选择
根据选择策略，选择其中一条路，并走到下个位置

相当于在漆黑的夜里，你只能看清你站的位置和你前面的路，但你不知道每条路能够通向哪里。搜索的任务就是，给出初始位置和目标位置，要求找到一条到达目标的路径。

深度优先就是，从初始点出发，不断向前走，如果碰到死路了，就往回走一步，尝试另一条路，直到发现了目标位置。这种不撞南墙不回头的方法，即使成功也不一定找到一条好路，但好处是需要记住的位置比较少。
广度优先就是，从初始点出发，把所有可能的路径都走一遍，如果里面没有目标位置，则尝试把所有两步能够到的位置都走一遍，看有没有目标位置；如果还不行，则尝试所有三步可以到的位置。这种方法，一定可以找到一条最短路径，但需要记忆的内容实在很多，要量力而行。

===========END===========

转载于:https://my.oschina.net/xinxingegeya/blog/3019478