深度搜索和广度搜索领接表实现_《算法图解》note 6 图以及广度优先搜索和深度优先搜索...

这是《算法图解》第六篇读书笔记，涉及的主要内容为图结构、深度优先搜索和广度优先搜索。

1.图

1.1图的概述

图(graph)是一种基本的数据结构，它由点和边构成。

根据边有无指向性，可将图分为有向图、无向图。这两种图分别表明点与点之间的关系是单向的(有向图)还是过双向的(无向图)。

1.2图的用途

图可用于表示物体之间的关系，以及用于查找两地点之间的最短路径等。

1.3图的存储结构(python实现有向图)

图的存储结结构可分为邻接矩阵和邻接列表。

下文将按下图展示邻接矩阵和邻接表。

先约定三点：

(1)为简化起见，若使用索引时，字母a至f分别由数字0至5表示。

(2)下方展示的是有向图。

图.JPG

1.3.1邻接矩阵

邻接矩阵的存储思路是枚举所有节点两两组合(包括节点自身)形成一个二维矩阵。若两个节点间联系，则在相应的矩阵位置标记为1，否则为0，指向为由行坐标所指代的节点指向纵坐标所指代的节点。

在python中，邻接矩阵可用套嵌的列表实现。在最外层的列表索引代表矩阵横坐标的节点。外层列表的每一个元素嵌入一个列表，套嵌列表索引代表矩阵处于纵坐标的节点。

代码如下：

G=[

[0,1,0,0,0,1],

[0,0,1,1,0,0],

[0,0,0,1,0,0],

[0,0,0,0,1,1],

[0,0,0,0,1,1],

[0,0,0,0,0,0]

]

1.3.2邻接列表(字典)

邻接列表(字典)只会显示每个节点及其所指向的下一节点。邻接列表与邻接字典的不同之处在于临界列表是用数据代表字母，邻接字典直接存储节点的字母编号。

以下是邻接列表的实现方式：

G=[

[1,5],

[2,3,5],

[3],

[4,5],

[5],

[]

]

以下是邻接字典的实现方式：

G={

'a':{'b','f'},

'b':{'c','d','f'},

'c':{'d'},

'd':{'e','f'},

'e':{'f'},

'f':{}

}

2.广度优先搜索

广度优先搜索(breath-first search)可用于搜索图的最短路径，其思路是先搜索每一层次的节点，搜索完毕后，再搜索下一层次的节点。

代码如下

#迭代版bfs

import collections

def bfs(G,s):

#P为记录每一个节点的父节点的字典

P={s:None}

Q=collections.deque()

Q.append(s)

while Q:

u=Q.popleft()

for v in G[u]:

if v in P.keys():

continue

P[v]=P.get(v,u)

Q.append(v)

return P

#图的邻接字典

G={

'a':{'b','f'},

'b':{'c','d','f'},

'c':{'d'},

'd':{'e','f'},

'e':{'f'},

'f':{}

}

P=bfs(G,'a')

print(P)

#获取a至e的路径

u='e'

path=[u]

while P[u] is not None:

path.append(P[u])

u=P[u]

path.reverse()

print(path)

3.深度优先搜索

深度优先搜索(depth first search)是搜索图时常用的另一种方法。

代码如下：

迭代版DFS

def dfs(G,s):

Q=[]

S=set()

Q.append(s)

while Q:

u=Q.pop()

if u in S:

continue

S.add(u)

Q.extend(G[u])

yield u

#有向无环图的邻接字典

G={

'a':{'b','f'},

'b':{'c','d','f'},

'c':{'d'},

'd':{'e','f'},

'e':{'f'},

'f':{}

}

res=list(dfs(G,'a'))

print(res)