分别用邻接矩阵和邻接表实现图的深度优先遍历和广度优先遍历_数据结构之：图...

导读

1. 什么是图？图的存储方式？

2. 图的遍历（深度优先搜索，广度优先搜索）

3. 最短路径

1. 什么是图？图的存储方式？

　　前面总结了“树”这种数据结构，而这篇博客总结的是更为复杂的一种数据结构：图（graph），它表明了物件与物件之间的“多对多”的一种复杂关系。图包含了两个基本元素：顶点（vertex, 简称V）和边（edge,简称E）。

有向图与无向图

　　如果给图的每条边规定一个方向，那么得到的图称为有向图。在有向图中，从一个顶点出发的边数称为该点的出度，而指向一个顶点的边数称为该点的入度。相反，边没有方向的图称为无向图。

有权图与无权图

　　如果图中的边有各自的权重，得到的图是有权图。比如地铁路线图，连接两站的边的权重可以是距离，也可以是价格，或者其他。反之，如果图的边没有权重，或者权重都一样（即没有区分），称为无权图。

连通图

　　如果图中任意两点都是连通的，那么图被称作连通图。图的连通性是图的基本性质。无向图中的一个极大连通子图称为其的一个连通分量。有向图中，如果对任意两个顶点

与

都存在

到

以及

到

的路径，则称其为

强连通图，对应有 强连通分量的概念。

图的存储

　　常用的存储方式有两种：邻接矩阵和邻接表。

邻接矩阵

　　采用一个大小为

的矩阵

，对于有权图，

可以表示

到

的边的权重，如果是无权图，则可设为1表示存在边，0表示不存在边。因此邻接矩阵的表示相当的直观，而且对于查找某一条边是否存在、权重多少非常快。但其比较浪费空间，对稠密图（

）来说，会比较适合。

　　一般情况下我用的邻接矩阵的结构和初始化代码如下，具体会根据使用需求有所改动。

struct 

邻接表

为一个大小为

的指针数组， 对应每行存储一个链表，如

中存储从顶点

出发的边，如从顶点1出发的边有

和

其在

中存储的形式如下图所示。邻接表比较适合稀疏图（

）

邻接表存储图。

　　另外，之前做习题的时候也会习惯用个二维数组来存储邻接表，比如上面的

。

　　一般情况下我用的代码如下，会根据具体需求有大改动。

typedef 

---

2. 图的遍历

　　图的遍历最常用的有两种：深度优先搜索（Depth-first Search, DFS）和广度优先搜索（Breadth-First Search, BFS）。

深度优先搜索

　　有点类似于树的前序遍历，即从一个选定的点出发，选定与其直接相连且 未被访问过的点走过去，然后再从这个当前点，找与其直接相连且 未被访问过的点访问，每次访问的点都标记为 “已访问”，就这么一条道走到黑，直到没法再走为止。没法再走怎么办呢？从当前点退回其“来处”的点，看是否存在与这个点直接相连且未被访问的点。重复上述步骤，直到没有未被访问的点为止。

　　从上述文字表述可以看出，DFS很适合使用递归，其代码如下：

int 

广度优先搜索

　　有点类似于树的层序遍历，也就是像剥洋葱一样，“一层一层地剥开♩♩♩”。即从一个选定的点出发，将与其直接相连的点都收入囊中，然后依次对这些点去收与其直接相连的点。重复到所有点都被访问然后结束。

　　类似树的层序遍历，BFS同样可以通过一个队列来实现，代码如下：

int 

上述BFS和DFS的时间复杂度均为

。

---

3. 最短路径

　　简而言之，最短路径就是找图中连接两个顶点所有边权重和最小的路径。

• 对无权图而言，即是找边最小的路径；
• 如果给定起点，则是单源最短路径，即从一固定起点到任意终点的最短路径；
• 如果起点不确定，则是多源最短路径，即求任意两个顶点的最短路径。

单源最短路径

　　对于无向图而言，可以借助BFS的“剥洋葱”特性，看从起点到终点需要剥几个洋葱圈，剥的层数即是最短路径长度。

　　对于有向图而言，就不得不提到一个煊赫的名字：Dijkstra算法。陆续泛听了几个版本的数据结构，这个名字简直太深入人心。

• Dijkstra算法

　　具体来说，Dijkstra算法的核心在于：从起点（或者说源点）开始，将其装进一个“袋子”里，然后不断往这个袋子里搜罗顶点，当顶点收进去后，能保证从源点到该顶点的当前最短路径是确定的。每次收录的顶点是在未收录的集合里寻找最短路径最小的点（即离源点最近的点），然后将与收进去的顶点直接相连的点的最短路径进行更新。

　　如下图所示，

是新鲜被收录的点，

等是和

有直接相连的边的点，那么这些点的距离会在

收录后立马被更新。

　　值得注意的是：Dijkstra算法不适用于存在负权重边的图。

　　给出Dijkstra代码前先对保存最短路径的数组dist[]和收录状态的数组collected[]进行初始化：和源点直接相连的点的最短路径即为该边的权重，其余均初始化为一个很大的（一看就不可能的数）INF；collected中所有值初始化为false。

int 

　　然后，我们需要寻找下一步被收录的点：即在所有未被收录的点中寻找dist最小的点。如果不存在（最小值为无穷大INF），则返回错误标识-1。这一步找最小值，我们可以每次都将所有顶点扫描一遍获得，也可以很自然地想到将dist存在一个最小堆（优先队列）里。对于前者，因为每次收录都要扫描一次所有顶点，有

复杂度，然后每条边都会扫描一次，时间复杂度为

。对于后者，每次收录时找到目标的时间为

，有

复杂度，而每次扫描边然后更新dist的时间也是

，有

复杂度，所以总的复杂度为

。

int 

　　然后是Dijkstra算法主程序：在初始化后，先将源点收录进袋，并且源点的最短路径设为0, 然后开始循环寻找能被收录的点：如果接受到的是错误标识-1，说明找不到符合要求的点了，程序结束。如果找到了，则先将这个点收录进去，记录为s； 然后遍历从s出发的所有边，对没有收录的点，更新他们的最小路径值。更新的依据是：如果这个点t的当前的最小路径值，大于s点的最小路径值与s到t边的权重值之和，则更新为

，否则维持原状。

bool 

多源最短路径

　　按照上面已有的Djikstra算法，可以直接将Djikstra算法在每个顶点调用一遍，然后找最小值。时间复杂度为：

直接找dist最小：

。

最小堆维护dist：

。

　　另外还有一种更为直接的算法是Floyd算法，且代码看着简洁直观优美。。。

bool 

　　三重循环嵌套，可以直观看出时间复杂度为

。意思也很明白，对于每对源点ｉ和终点ｊ，找一个跳板ｋ，看是否经过跳板k距离会比现有的从i到j的距离短，如果是，则更新；否则不作为。发现负值回路的话解不存在，错误返回。

参考资料：

1. coursera的《算法分析与设计》（以前的课程）
2. MOOC网的《数据结构与算法》

小结

　　距离上次更新已经有很长的时间，一方面是因为没整理好，包括现在记录的也觉得很混乱，就这么先把笔记记下来吧，不然时间久了更迷糊。另一方面是身体原因，年纪轻轻竟然椎间盘膨出了，不知道知乎上有没有啥治疗良方，反正去了好几次医院都说没事，直到痛得不行让拍CT了才知道是腰椎间盘膨出☹☹☹

　　　扯远了❦❦❦，剩下还有一些最小生成树，和拓扑排序啥的等我更明白点再写吧~~~