故事凌 今天
基本知识点
图可说是所有数据结构里面知识点最丰富的一个, 自己笨的知识点如下:
- 阶(oRDER), 度: 出度(out-Degree), 入度(in-Degree)
- 树(Tree), 森林(Forest), 环(Loop)
- 有向图(Directed Graph), 无向图(Undirected Graph), 完全有向图, 完全无向图
- 连通图(Connected Graph), 连通分量(Connnected Component)
- 存储和表达式: 邻接矩阵(Adjacency Matrix), 邻接链表(Adjacency List)
围绕图的算法也是五花八门
- 图的遍历: 深度优先, 广度优先
- 环的检测: 有向图, 无向图
- 拓扑排序
- 最短路径算法: Dijkstra, Bellman-Ford, Floyd Warshall
- 连通性相关算法: Kosaraju, Tarjan, 求解孤岛的数量, 判断是否为树
- 图的着色, 旅行商问题等
以上的知识点知识图轮里的冰山一角, 对于算法面试而言, 完全不需要对每个知识点都一一掌握, 而应该有的放矢的准备
必会的知识点
以下的知识点必须充分掌握并反复练习
- 图的存储和表达式: 邻接矩阵(Adjacency Matrix), 邻接链表(Adjacency List)
- 图的遍历: 深度优先, 广度优先
- 二部图的检测(Bipartite), 数的检测, 环的检测, 有向图, 无向图
- 拓扑排序
- 联合-查找算法(Union-Find)
- 最短路径Dijkstra, BellMan-Ford
其中, 环的检测, 二部图的检测, 树的检测以及拓扑都是基于图的遍历, 尤其是深度优先方式的遍历, 而遍历可以在邻接矩阵或者邻接链表上进行, 所以掌握好图的遍历是重中之重, 因为它是所有其他图论算法的基础
至于对端路径算法, 能区分它们的不同特点, 知道在什么情况下用哪种算法就很好了, 对于有充足时间准备的面试者, 能熟练掌握他们的写法当然是很好的
我们来来看看数据结构中的图到底是什么
1. 图的定义
图是由一些点(vertex)和这些点之间的连线(edge)所组成的, 其中, 点通常称为顶点(vertex), 而点到点之间的连线通常称之为边或者弧(edge), 通常记为G = (V,E)
2. 图的分类
图通常分为有向图和无向图, 而其表示方式分为邻接矩阵和邻接链表, 具体表示如下图.
![a0058e89d8ffafc133ca8b089c61a0a8.png](https://i-blog.csdnimg.cn/blog_migrate/e7744fa8c7eee924765f29c56de866f6.jpeg)
对于无向图,其所有的边都不区分方向。G=(V,E)。其中,
- V={1,2,3,4,5}。V表示有”1,2,3,4,5”几个顶点组成的集合。
- E={(1,2),(1,5),(2,1),(2,5),(2,4),(2,3),(3,2),(3,4),(4,3),(4,2),(4,5),(5,1),(5,2),(5,4)}。E就是表示所有边组成的集合,如(1,2)表示由顶点1到顶点2连接成的边。
![d237fa2eaf813166ed987b7c60029246.png](https://i-blog.csdnimg.cn/blog_migrate/9a116cfa8e73c6b13dfdc082e8a2c1a5.jpeg)
对于有向图,其所有的边都是有方向的。G=(V,E)。其中,
- V={1,2,3,4,5}。V表示有”1,2,3,4,5”几个顶点组成的集合。
- E={<1,2>,<2,5><5,4>,<4,2><3,5>,<3,6>,<6,6>}。E就是表示所有边组成的集合,如<1,2>表示由顶点1到顶点2连接成的边。注意有向图边和无向图边表示方法的不同,有向图的边是矢量,而无向图只是普通的括号。
针对邻接矩阵和邻接链表两种不同的表示方式,有如下优缺点:
- 邻接矩阵由于没有相连的边也占据空间,相对于邻接链表,存在空间浪费的问题;
- 但是在查找的时候,邻接链表会比较耗时,对于邻接矩阵来说,它的查找复杂度就是O(1)。
用邻接表表示图的代码
#define MAX 100typedef struct ENode //邻接表中表对应的链表的顶点{ int ivex; //该边所指向的顶点的位置 int weight; //该边的权值 struct ENode *next_edge; //指向下一条边的指针}ENode,*PENode;typedef struct VNode //邻接表中表的顶点{ char data; //顶点的数据 struct VNode *first_edge; //指向第一条依附该顶点的边}VNode;typedef struct LGraph //邻接表{ int vexnum; //图的顶点数 int edgenum; //图的边数 VNode vexs[MAX];}LGraph;
3. 度, 权, 连通图等概念
对于无向图来说,它的顶点的度就是指关联于该顶点的边的数目;而对于有向图来说,分为入度和出度,所谓入度就是进入该顶点边的数目,出度就是离开这个顶点边的数目,有向图的度就是入度加出度。
图还被分为有权图和无权图,所谓有权图就是每条边都具有一定的权重,通常就是边上的那个数字;而无权图就是每条边没有权重,也可以理解为权重为。如下图所示即为有权图,(A,B)的权就是13。
![58fe8992295987030f409af0cb604988.png](https://i-blog.csdnimg.cn/blog_migrate/70d427cf96e66f89249e7c009b08f931.jpeg)
如果一个无向图中每个顶点到所有其他顶点都是可达的,则称该图是连通的;如果一个有向图中任意两个顶点互相可达,则该有向图是强连通的。
如图(b)中有3个连通分量:{1,2,5},{3,6},{4}。若一个无向图只有一个连通分量,则该无向图连通。
而图(a)中有3个强连通分量:{1,2,4,5},{3},{6}。{1,2,4,5}中所有顶点对互相可达。而顶点2与6不能相互可达,所以不能构成一个强连通分量。
4. 深度优先搜索(Depth First Search DFS)
图的深度优先算法有点类似于树的前序遍历,首先图中的顶点均未被访问,确定某一顶点,从该顶点出发,依次访问未被访问的邻接点,直到某个邻接点没有未被访问邻接点时,则回溯父节点(此处我们将先被访问的节点当做后被访问节点的父节点,例如对于节点A、B,访问顺序是A ->B,则称A为B的父节点),找到父节点未被访问的子节点;如此类推,直到所有的顶点都被访问到。
注意,深度优先的存储方式一般是以栈的方式存储。
- 无向图的深度优先搜索
![32108f61f4b7c63e151845dddd4d8a6c.png](https://i-blog.csdnimg.cn/blog_migrate/192e1456b4806370d548ead00453ec5a.jpeg)
- 有向图的深度优先搜索
![61091a65c5631daec806682a304a6b67.png](https://i-blog.csdnimg.cn/blog_migrate/cfd019a2cafc2a40e81dd5d7d1b78d5e.jpeg)
- 深度优先搜索代码
static void DFS(LGraph G, int i,int *visited){ Enode *node;E printf(“%c”,G.vexs[i].data); node = G.vexs[i].first_edge; while(node != NULL) { if(!visited[node->ivex]) DFS(G, node->ivex, visited); //递归调用DFS node = node->next_edge; }}
5. 广度优先搜索
从图中的某个顶点出发,访问它所有的未被访问邻接点,然后分别从这些邻接点出发访问它的邻接点。说白了就是一层一层的访问,“浅尝辄止”!
注意,广度优先搜索的存储方式一般是以队列的方式存储。
- 无向图的广度优先搜索
![cf81b3523d3fa57d34557dc4dec3ae1e.png](https://i-blog.csdnimg.cn/blog_migrate/d5bba044252876898658e9c8e24770ff.jpeg)
- 有向图的广度优先搜索
![e757b94e06924dc8be7139eccb0ca322.png](https://i-blog.csdnimg.cn/blog_migrate/e442bcad250ea9ba26daf049dac12b66.jpeg)
- 广度优先所有代码
void BFS(LGraph G){ int head = 0; int rear = 0; int queue[MAX]; //辅助队列 int visited[MAX]; //顶点访问标记 eNode *node; for(int i = 0; i ivex; if(!visited[k]) { visited[k] = 1; printf(“%c”,G.vesx[k].data); queue[rear++] = k; } node = node->next_edge; } } } printf(“”);}
6.拓扑排序
拓扑排序(Topological Order)是指讲一个有向无环图(Directed Acyclic Graph,DAG)进行排序而得到一个有序的线性序列。
举个例子,例如我们早上起床的穿衣顺序,如下图所示。穿衣的顺序也是有个优先级的,有些衣服就必须优先穿上,例如领带依赖于衬衣,所以领带最终排在衬衣之后;对图a中的元素进行合理的排序,就得到了图b的次序图。注意,该次序图不是唯一的。
![bee5798371253c4e071785b437c075f0.png](https://i-blog.csdnimg.cn/blog_migrate/3e01920720d66f87cd383a3ced07eed9.jpeg)
![c807d1c82da8d66304e27de8e4eb8b44.png](https://i-blog.csdnimg.cn/blog_migrate/391410a97c7f0b317dffc1da0e89d459.jpeg)
int topological_sort(LGraph G){ int num = G.vexnum; ENode *node; int head = 0; //辅助队列的头 int rear = 0; // 辅助队列的尾 int *ins = (int *)malloc(num * sizeof(int)); //入度数组 char *tops = (char *)malloc(num * sizeof(char)); //拓扑排序结果数组,记录每个节点排序后的序号 int *queue = (int *)malloc(num * sizeof(int)); //辅助队列 assert(ins != NULL && tops != NULL && queue != NULL) memset(ins, 0, num * sizeof(int)); memset(tops, 0, num * sizeof(char)); memset(queue, 0, num * sizeof(int)); for(int i = 0; i ivex]++; node = node->next_edge; } } for(int i = 0; i ivex]--; //将节点node关联的节点的入度减1 if(ins[node->ivex] == 0) //若节点的入度为0,则将其添加到队列中 queue[rear++] = node->ivex; node = node->next_edge; } } if(index != G.vexnum) { printf(“Graph has a cycle!”); free(queue); free(ins); free(tops); return 1; //1表示失败,该有向图是有环的 } printf(“== TopSort: ”); //打印拓扑排序结果 for(int i = 0; i
7. 最小生成树
所谓最小生成树就是将图中的顶点全部连接起来,此时这个边的权重最小,并且连接起来的是一个无环的树。很容易知道,若此时的顶点是n,则边的数量为n-1。所以在一个图中找最小生成树就是找最小权值的边,让这些边连成一棵树。常用的算法有Prim算法和Kruskal算法。
7. 1Prim算法
该算法就是每次迭代选择权值最小的边对应的点,加入到最小生成树中。具体实现如下所示。
第一步:选取顶点A,此时U={A},V-U={B,C,D,E,F,G}。
![bcde15f9647464fa27dd60e58bb3b51c.png](https://i-blog.csdnimg.cn/blog_migrate/8c2821da4ca45c4b43793e9acbe4f741.jpeg)
第二步:选取与A点连接的权值最小的边,此时就会选择到B,U={A,B},V-U={C,D,E,F,G}。
![76cb803c3f2666343498b8b5efb0223f.png](https://i-blog.csdnimg.cn/blog_migrate/89c4f2e835f2145da19ae30f1eb361d6.jpeg)
以上面的步骤类推,得到如上图所示的结果,此时U={A,B,C,D,E,F},V-U={G}。注意到C是此次加入的点,而G没有加入,此时G点的边应该如何选择?
![2dc3792937c60555171e319044e46367.png](https://i-blog.csdnimg.cn/blog_migrate/88aab238e1e5b398e94b2a626d44335d.jpeg)
最终,得到如图所示的最小生成树,此时U={A,B,C,D,E,F,G},V-U={}。
![9dbcbf379cabb8a6735b8537a4ce6f46.png](https://i-blog.csdnimg.cn/blog_migrate/ce556013d24b8ff689f939bbdae3a052.jpeg)
#define INF (~(0x1<<31)) //最大值(即0X7FFFFFFF)//返回ch在邻接表中的位置static int get_position(LGraph G, char ch){ for(int i = 0; i 的权值;若start到end不连通,则返回无穷大 int getWeight(LGraph G, int start, int end) { ENode *node; if(start == end) return 0; node = G.vexs[start].first_edge; while(node != NULL) { if(end == node->ivex) return node->weight; node = node->next_edge; } return INF; } void Prim(LGraph G,int start) //从图中的第start个元素开始,生成最小树 { int index = 0; //prim最小树的索引,即prims数组的索引 char prims[MAX]; //prim最小树的结果数组 int wights[MAX]; //顶点间边的权重 //prim最小生成树中第一个数,即图中的第start个数 prims[index++] = G.vexs[start].data; for(int i = 0; i
7.2 Kruskal算法
该算法的核心就是对权值进行排序,然后从最小的权值开始,不断增大权值,如何该权值的所在边的两个顶点没有存在的路径连在一起,则加入这条边,否则,则舍弃这条边,知道所有的点都在这颗树中。
如下所示的一个图,我们从中找出最小生成树。
![76758ad94614e9aa1a06cea030e41c28.png](https://i-blog.csdnimg.cn/blog_migrate/c4bbfd442a8ecd20352a7f00906c5217.jpeg)
![540e89bc3c932068b896cedac0ba3e56.png](https://i-blog.csdnimg.cn/blog_migrate/b18a8cec4df5fb37f988cc1006d4f31b.jpeg)
对于左边所示的图,对各个边的权值排序之后,我们最先找到权值最小的边,即AD。然后我们发现还有一个CE,于是CE也会被标记起来。
对于左边所示的图,对各个边的权值排序之后,我们最先找到权值最小的边,即AD。然后我们发现还有一个CE,于是CE也会被标记起来。
typedef struct edata //边的结构体{ char start; //边的起点 char end; //边的终点 int weight; //边的权重}EData;EData *get_edges(LGraph G){ int index = 0; ENode *node; EData *edges; edges = (EData *)malloc(G.edgnum * sizeof(EData)); for(int i = 0; i ivex > i) { edges[index].start = G.vexs[i].data; edges[index].end = G.vexs[node->ivex].data; edges[index].weight = node->weight; index++; } node = node->next_edge; } } return edges;}void Kruskal(LGraph G){ int index = 0; //rets数组的索引 int vends[MAX] = {0}; //用于保存“已有最小生成树”中每个顶点在该最小树中的终点 EData rets[MAX]; //结果数组,保存kruskal最小生成树的边 EData *edges; //图对应的所有边 edges = get_edges(G); //获取图中所有的边 Sorted_edges(edges, G.edgenum); //对边按照权值进行排序 for(int i = 0; i
例题分析
785. 判断二分图
给定一个无向图graph,当这个图为二分图时返回true。
如果我们能将一个图的节点集合分割成两个独立的子集A和B,并使图中的每一条边的两个节点一个来自A集合,一个来自B集合,我们就将这个图称为二分图。
graph将会以邻接表方式给出,graph[i]表示图中与节点i相连的所有节点。每个节点都是一个在0到graph.length-1之间的整数。这图中没有自环和平行边:graph[i] 中不存在i,并且graph[i]中没有重复的值。
示例 1:输入: [[1,3], [0,2], [1,3], [0,2]]输出: true解释:无向图如下:0----1| || |3----2我们可以将节点分成两组: {0, 2} 和 {1, 3}。
示例 2:输入: [[1,2,3], [0,2], [0,1,3], [0,2]]输出: false解释:无向图如下:0----1| || |3----2我们不能将节点分割成两个独立的子集。
好了, 自己研究了半天, 题都没有研究明白,我决定放弃了, 要是哪个大佬知道, 快来教教我吧, 我们今天把树是个什么东西就好了!
graph 的长度范围为 [1, 100]。graph[i] 中的元素的范围为 [0, graph.length - 1]。graph[i] 不会包含 i 或者有重复的值。图是无向的: 如果j 在 graph[i]里边, 那么 i 也会在 graph[j]里边。