数据结构课程：图论

图基础：

• 定义：描述事物之间的关系。
• 包括：节点集V={V1,V2......,Vn}，边集合E={e1，e2，......,em},其中ei=（vi，vi‘）
• G=<V,E>
• 包括有向图和无向图
• 空间复杂度一般为：O（n+m）或O(n2）
• 主要应用包括：邻接矩阵，邻接表

  
  图的存储结构： 
  1、邻接矩阵表示法： 
  如果 第 1个点和第 3个点 相连则 matrix[0][2]=1;如果两节点之间有一条弧，则邻接矩阵中对应的元素为1；否则为0。可以看出，这种表示法非常简单、直接。但是，在邻接矩阵的所有n*n 个元素中，只有 m个为非零元。如果网络比较稀疏，这种表示法浪费大量的存储空间，从而增加了在网络中查找弧的时间。 

  

  
  2、邻接表表示法： 
  邻接表表示法将图以邻接表（adjacency lists）的形式存储在计算机中。所谓图的邻接表，也就是图的所有节点的邻接表的集合；而对每个节点，它的邻接表就是它的所有出弧。邻接表表示法就是对图的每个节点，用一个单向链表列出从该节点出发的所有弧，链表中每个单元对应于一条出弧。为了记录弧上的权，链表中每个单元除列出弧的另一个端点外，还可以包含弧上的权等作为数据域。图的整个邻接表可以用一个指针数组表示。 

  

• 举例：

  

  

拓扑排序基础：

• 定义：有向无环图（DAG）
• 场景：任务依赖
• 时间复杂度O(n+m)，附加空间复杂度O(n)
• 每次找入度为0的点（入度就是没有指向它的箭头）
• 维护入度
• 过程：

  

  

• 应用：假设你有一些任务，以及这些任务之间的任务依赖，每次任务有一个完成时间，假设可以无限并行，最少要多少时间才能完成？

leetcode例题：参考

207. 课程表

现在你总共有 n 门课需要选，记为 0 到 n-1。

在选修某些课程之前需要一些先修课程。 例如，想要学习课程 0 ，你需要先完成课程 1 ，我们用一个匹配来表示他们: [0,1]

给定课程总量以及它们的先决条件，判断是否可能完成所有课程的学习？

示例 1:

输入: 2, [[1,0]] 
输出: true
解释: 总共有 2 门课程。学习课程 1 之前，你需要完成课程 0。所以这是可能的。

示例 2:

输入: 2, [[1,0],[0,1]]
输出: false
解释: 总共有 2 门课程。学习课程 1 之前，你需要先完成​课程 0；并且学习课程 0 之前，你还应先完成课程 1。这是不可能的。

说明:

1. 输入的先决条件是由边缘列表表示的图形，而不是邻接矩阵。详情请参见图的表示法。
2. 你可以假定输入的先决条件中没有重复的边。

提示:

1. 这个问题相当于查找一个循环是否存在于有向图中。如果存在循环，则不存在拓扑排序，因此不可能选取所有课程进行学习。
2. 通过 DFS 进行拓扑排序 - 一个关于Coursera的精彩视频教程（21分钟），介绍拓扑排序的基本概念。

3. 拓扑排序也可以通过 BFS 完成。

class Solution:
    def canFinish(self, numCourses, prerequisites):
        """
        :type numCourses: int
        :type prerequisites: List[List[int]]
        :rtype: bool
        """
        graph = collections.defaultdict(list)
        indegrees = collections.defaultdict(int)
        for u, v in prerequisites:
            graph[v].append(u)
            indegrees[u] += 1
        for i in range(numCourses):
            zeroDegree = False
            for j in range(numCourses):
                if indegrees[j] == 0:
                    zeroDegree = True
                    break
            if not zeroDegree: return False
            indegrees[j] = -1
            for node in graph[j]:
                indegrees[node] -= 1
        return True 

最短路基础：

• 定义：假设E集合（边集）是有权重的
• 具象：V集合代表城市，E集合代表城市间高速路，权重为高速路长度，两点间存在若干条通路，长度最短的通路即最短路

单元最短路（Dijkstra）：

• 定义：给定起点s，求到任意点的最短路
• 贪心：每次找最近的点
• 维护s到每个点的距离
• 局部最优等于全局最优
• 时间复杂度O(n2)，附加空间复杂度O(n)
• 算法：

  

• SPFA（Bellman-Ford）算法：参考

  

单源次短路：

• 给定起点s，求到任意点的次短路（距离大于最短路的最短的路）
• v的次短路：顶点u的最短路再加上u->v的边，顶点u的次短路再加上u->v的边
• 在原来的代码上加入次短路即可

任意两点最短路（Floyed）：

• 求到任两点间的最短路
• 类似动态规划：每次加入一个点
• 维护任意两点间的距离
• 时间复杂度O(n3)，附加空间复杂度O(n2)
• 算法：

最小生成树（Prim）：

• 定义：无向图
• 树-> 无环（圈）
• 破圈法，避圈法
• 时间复杂度O(n^2)

---

To be continue......