第六章 图--以下代码由C语言实现

王道学习

考纲内容

（一）图的基本概念
（二）图的存储及基本操作
           邻接矩阵；邻接表；邻接多重表；十字链表
（三）图的遍历
           深度优先搜索；广度优先搜索
（四）图的基本应用
           最小(代价)生成树；最短路径；拓扑排序；关键路径

知识框架

复习提示

        图算法的难度较大，主要掌握深度优先搜索与广度优先搜索。掌握图的基本概念及基本性质、图的存储结构（邻接矩阵、邻接表、邻接多重表和十字链表）及特性、存储结构之间的转化、基于存储结构上的各种遍历操作和各种应用（拓扑排序、最小生成树、最短路径和关键路径）等。图的相关算法较多，通常只需掌握其基本思想和实现步骤，而实现代码不是重点。

6.1 图的基本概念

6.1.1 图的定义

注意：线性表可以是空表，树可以是空树，但图不可以是空图。就是说，图中不能一个顶点也没有，图的顶点集V一定非空，但边集E可以为空，此时图中只有顶点而没有边。
1、无向图、有向图

2、简单图、多重图

3、顶点的度–入度、出度

4、顶点–顶点的关系描述

5、连通图、强连通图

6、子图

7、连通分量

8、强连通分量

9、生成树

10、生成森林

11、边的权、带权图/网

12、几种特殊形态的图

6.1.2 本节试题精选

6.2 图的存储及基本操作

6.2.1 邻接矩阵法

数组实现的顺序存储，空间复杂度高，不适合存储稀疏图









注意：
（1）在简单应用中，可直接用二维数组作为图的邻接矩阵（顶点信息等均可省略）。
（2）当邻接矩阵中的元素仅表示相应的边是否存在时，EdgeType可定义为值为0和1的枚举类型。
（3）无向图的邻接矩阵是对称矩阵，对规模特大的邻接矩阵可采用压缩存储。
（4）邻接矩阵表示法的空间复杂度为O(n的平方)，其中n为图的顶点树|V|

6.2.2 邻接表法

图的邻接表存储方法具有一下特点：
（1）若G为无向图，则需要的存储空间为O(|V|+2|E|)；若G为有向图，则所需的存储空间为O(|V|+|E|)。前者的倍数2是由于无向图中，每条边在邻接表中出现了两次。
（2）对于稀疏图，采用邻接表表示将极大地节省存储空间。
（3）在邻接表中，给定一顶点，能很容易地找出它的所有邻边，因为只需要读取它的邻接表。在邻接矩阵中，相同的操作则需要扫描一行，花费的时间为O(n)。但是，若要确定给定的两个顶点建是否存在边，则在邻接矩阵中可以立刻查到，而在邻接表中则需要在相应结点对应的边表中查找另一结点，效率较低。
（4）在有向图的邻接表表示中，求一个给定顶点的出度只需计算其邻接表中的结点个数；但求其顶点的入度则需要遍历全部的邻接表。因此，也有人采用逆邻接表的存储方式来加速求解给定顶点的入度。当然，这实际上与邻接表存储方式是类似的。
（5）图的邻接表表示并不唯一，因为在每个顶点对应的单链表中，各边结点的链接次序可以是任意的，它取决于建立邻接表的算法及边输入的次序。

6.2.3 十字链表存储有向图

6.2.4 邻接多重表存储无向图

6.2.5 图的基本操作

6.3 图的遍历

        图的遍历是指从图中的某一顶点出发，按照某种搜索方法沿着图中的边对图中的所有顶点访问一次，且仅访问一次。注意到树是一种特殊的图，所以树的遍历实际上也可视为一种特殊的图的遍历。图的遍历算法是求解图的连通性问题、拓扑排序和求关键路径等算法的基础。

6.3.1 广度优先遍历–BFS

6.3.2 深度优先遍历–DFS

6.3.3 图的遍历与图的连通性

        图的遍历算法可以用来判断图的连通性。对于无向图来说，若无向图是连通的，则从任意一个结点出发，仅需一次遍历就能够访问图中的所有顶点；若无向图是非连通的，则从某一个顶点出发，一次遍历只能访问到该顶点所在连通分量的所有顶点，而对于图中其他连通分量的顶点，则无法通过这次遍历访问。对于有向图来说，若从初始顶点到图中的每个顶点都有路径，则能够访问到图中的所有顶点，否则不能访问到所有顶点。

6.3.4 本节试题精选

6.4 图的应用

        本节是历年考查的重点。图的应用主要包括:最小生成(代价)树、最短路径、拓扑排序和关键路径。一般而言，这部分内容直接以算法设计题形式考查的可能性极小，而更多的是结合图的实例来考查算法的具体操作过程，读者必须学会手工模拟给定图的各个算法的执行过程。此外，还需掌握对给定模型建立相应的图去解决问题的方法。

6.4.1 最小生成树

        一个连通图的生成树包含图的所有顶点，并且只含尽可能少的边。对于生成树来说，若砍去它的一条边，则会使生成树变成非连通图；若给它增加一条边，则会形成图中的一条回路。

        对于一个带权连通无向图G=(V,E)，生成树不同，每棵树的权（即树中所有边上的权值之和）也可能不同。设A为G的所有生成树的集合，若T为A中边的权值之和最小的那颗生成树，则T称为G的最小生成树（Minimum-Spanning-Tree，MST）。

        不难看出，最小生成树具有如下性质：
        1）最小生成树不是唯一的，即最小生成树的树形不唯一，A中可能有多个最小生成树。当图G中的各边权值互不相等时，G的最小生成树是唯一的；若无向连通图G的边数比顶点数少1，即G本身是一棵树时，则G的最小生成树就是它本身。
        2）最小生成树的边的权值之和总是唯一的，虽然最小生成树不唯一，但其对应的边的权值之和总是唯一的，而且是最小的。
        3）最小生成树的边数为顶点数减1。

        Prim算法和Kruskal算法，都基于贪心算法的策略。

1、Prim算法

2、Kruskal算法

Prim算法实现思想

//Prim算法思想自我总结
/*首先初始化，
  初始化两个数组isJoin和lowCost，
  将V0的isJoin标记为TRUE，
  然后更新与V0连接的所有顶点的lowCost，初始化完成
*/
//接下来开始循环
for(i=0;i<=顶点数-1;i++){
/*每次循环：
  首先循环lowCost数组，找到最小的且还没有加入数的顶点。找到了V3，将V3的isJoin标记为TRUE。
  再次循环lowCost数组，更新还没加入的各个顶点的lowCost值。将于V3连接的所有顶点，与V0连接的所有顶点的lowCost对比，更新lowCost数组。
  一次循环完成。
*/
/*接下来再次循环，循环类似。*/
}

Kruskal算法实现思想

使用并查集判断两个顶点是否属于同一集合

6.4.2 最短路径

BFS算法

Dijkstra算法

Floyd算法

6.4.3 有向无环图–描述表达式

6.4.4 拓扑排序

6.4.5 关键路径

6.4.6 本节试题精选