Python描述数据结构之最小生成树篇！零基础必学！

最新推荐文章于 2023-09-24 11:33:13 发布

爬遍天下无敌手

最新推荐文章于 2023-09-24 11:33:13 发布

阅读量440

点赞数 1

分类专栏： Python 文章标签：算法 python java 数据结构索引

原文链接：https://blog.csdn.net/qq_42730750/article/details

版权

最小生成树 Prim算法 Kruskal算法图论 Python实现

关键词由CSDN通过智能技术生成

Python 专栏收录该内容

1018 篇文章 167 订阅

订阅专栏

前言

本篇章主要介绍图的最小生成树，包括Prim算法和Kruskal算法，并用Python代码实现。

1. 创建图

在开始之前，我们先创建一个图，使用邻接矩阵表示图：

class Graph(object):
    """
    以邻接矩阵为存储结构创建无向网
    """
    def __init__(self, kind):
        # 图的类型: 无向图, 有向图, 无向网, 有向网
        # kind: Undigraph, Digraph, Undinetwork, Dinetwork,
        self.kind = kind
        # 顶点表
        self.vertexs = []
        # 边表, 即邻接矩阵, 是个二维的
        self.arcs = []
        # 当前顶点数
        self.vexnum = 0
        # 当前边(弧)数
        self.arcnum = 0

    def CreateGraph(self, vertex_list, edge_list):
        """
        创建图
        :param vertex_list: 顶点列表
        :param edge_list: 边列表
        :return:
        """
        self.vexnum = len(vertex_list)
        self.arcnum = len(edge_list)
        for vertex in vertex_list:
            vertex = Vertex(vertex)
            # 顶点列表
            self.vertexs.append(vertex)
            # 邻接矩阵, 初始化为无穷
            self.arcs.append([float('inf')] * self.vexnum)
        for edge in edge_list:
            ivertex = self.LocateVertex(edge[0])
            jvertex = self.LocateVertex(edge[1])
            weight = edge[2]
            self.InsertArc(ivertex, jvertex, weight)

    def LocateVertex(self, vertex):
        """
        定位顶点在邻接表中的位置
        :param vertex:
        :return:
        """
        index = 0
        while index < self.vexnum:
            if self.vertexs[index].data == vertex:
                return index
            else:
                index += 1

    def InsertArc(self, ivertex, jvertex, weight):
        """
        创建邻接矩阵
        :param ivertex:
        :param jvertex:
        :param weight:
        :return:
        """
        if self.kind == 'Undinetwork':
            self.arcs[ivertex][jvertex] = weight
            self.arcs[jvertex][ivertex] = weight

2. 问题来源

假设要在n nn个城市之间建立通信联络网，则连通n nn个城市只需要n − 1 n-1n−1条线路。在每两个城市之间都可以建立一条线路，相应地都要付出一定的经济代价，n nn个城市之间最多可以建立n ( n − 1 ) 2 \frac {n(n-1)} {2}2n(n−1)条线路。这时，自然会考虑这样一个问题，如何在最节省经费的前提下建立这个连通网，即如何在这些可能的线路中选择n − 1 n-1n−1条，以使花费的经费最少。
我们可以用连通网来表示n nn个城市以及n nn个城市间可能建立的通信线路，其中顶点可以表示城市，边可以表示两个城市之间的通信线路，边的权值就是修建这条线路所需的经费。对于n nn个顶点的连通网可以建立许多不同的生成树，每一棵树都可以是一个连通网，现在要从中选择出一棵使用经费最少的生成树。这个问题就是构造连通网的最小代价生成树( M i n i m u m (Minimum(Minimum C o s t CostCost S p a n n i n g SpanningSpanning T r e e ) Tree)Tree)的问题，简称最小生成树( M S T ) (MST)(MST)问题。
MST的性质：假设N = ( V , { E } ) N=(V,\{E\})N=(V,{E})是一个连通网，U UU是顶点集V VV的一个非空子集。若( u , v ) (u,v)(u,v)是一条具有最小权值的边，其中u ∈ U , v ∈ V − U u\in U,v\in V-Uu∈U,v∈V−U，则必存在一棵包含边( u , v ) (u,v)(u,v)的最小生成树。
P r i m PrimPrim算法和K r u s k a l KruskalKruskal算法是两个利用MST性质构造最小生成树的经典算法。

3. Prim算法

P r i m PrimPrim算法，中文名叫普里姆算法。基本思想如下：
(1) 指定连通网N NN中的某一顶点作为构造最小生成树的起点，并令U = { w } , T E = { } U=\{w\},TE=\{\}U={w},TE={}；
(2) 在所有u ∈ U 、 v ∈ V − U u\in U、v\in V-Uu∈U、v∈V−U的边中，找到一条权值最小的边( u , v ) ∈ E (u,v)\in E(u,v)∈E，将u uu并入到U UU中，并将边( u , v ) (u,v)(u,v)并入到T E TETE中；
(3) 重复执行第二步，直到U = V U=VU=V，此时最小生成树包含n − 1 n-1n−1条边。
这里使用一个辅助数组closedge，用来存储从U UU到U − V U-VU−V中权值最小的边及顶点U UU的下标，除此之外还需要一个列表arc来存储最小生成树的边。下面结合着P r i m PrimPrim算法来分析一下上面的那个无向网：

(1) P r i m PrimPrim算法一直在更新两个集合，即已访问顶点集合U UU和未访问顶点集合U − V U-VU−V，然后从这两个集合组成的边中选择权值最小的边。这里以顶点A AA为起始点，先将它加入U UU中，即其对应的closedge置为[ ( 0 , 0 ) ] [(0,0)][(0,0)]。此时U UU中只有顶点A AA，与A AA相连的边有A B ABAB、A C ACAC和A D ADAD，初始closedge为[ ( 0 , 0 ) , ( 0 , 6 ) , ( 0 , 1 ) , ( 0 , 5 ) , ( 0 , ∞ ) , ( 0 , ∞ ) ] [(0,0),(0,6),(0,1),(0,5),(0,\infty),(0,\infty)][(0,0),(0,6),(0,1),(0,5),(0,∞),(0,∞)]，其中权值最小的边的另一个顶点索引为2，即顶点C CC，然后根据这个索引2确定了该边对应两个顶点的索引( 0 , 2 ) (0,2)(0,2)，即边A C ACAC，图中的红色线表示，将该边加入到列表arc中，同时将C CC加入U UU中，即将其对应的closedge由( 0 , 1 ) (0,1)(0,1)置为( 0 , 0 ) (0,0)(0,0)，此时closedge为[ ( 0 , 0 ) , ( 0 , 6 ) , ( 0 , 0 ) , ( 0 , 5 ) , ( 0 , ∞ ) , ( 0 , ∞ ) ] [(0,0),(0,6),(0,0),(0,5),(0,\infty),(0,\infty)][(0,0),(0,6),(0,0),(0,5),(0,∞),(0,∞)]；
(2) 此时U UU中有顶点A AA和C CC，然后去找两顶点集合对应权值最小的边，与C CC相连的边有C A CACA、C B CBCB、C D CDCD、C E CECE和C F CFCF，更新closedge为[ ( 0 , 0 ) , ( 2 , 5 ) , ( 0 , 0 ) , ( 0 , 5 ) , ( 2 , 6 ) , ( 2 , 4 ) ] [(0,0),(2,5),(0,0),(0,5),(2,6),(2,4)][(0,0),(2,5),(0,0),(0,5),(2,6),(2,4)]，更新的原则是如果新边的权重比closedge中的小，更新，否则不更新，其中权值最小的边的另一个顶点索引为5，即顶点F FF，然后根据这个索引5确定了该边对应两个顶点的索引( 2 , 5 ) (2,5)(2,5)，即边C F CFCF，图中的橙色线表示，将该边加入到列表arc中，同时将F FF加入U UU中，即将其对应的closedge由( 2 , 4 ) (2,4)(2,4)置为( 2 , 0 ) (2,0)(2,0)，此时closedge为[ ( 0 , 0 ) , ( 2 , 5 ) , ( 0 , 0 ) , ( 0 , 5 ) , ( 2 , 6 ) , ( 2 , 0 ) ] [(0,0),(2,5),(0,0),(0,5),(2,6),(2,0)][(0,0),(2,5),(0,0),(0,5),(2,6),(2,0)]；
(3) 此时U UU中有顶点A AA、C CC和F FF，然后去找两顶点集合对应权值最小的边，与F FF相连的边有F C FCFC、F D FDFD和F E FEFE，更新closedge为[ ( 0 , 0 ) , ( 2 , 5 ) , ( 0 , 0 ) , ( 5 , 2 ) , ( 2 , 6 ) , ( 2 , 0 ) ] [(0,0),(2,5),(0,0),(5,2),(2,6),(2,0)][(0,0),(2,5),(0,0),(5,2),(2,6),(2,0)]，其中权值最小的边的另一个顶点索引为3，即顶点D DD，然后根据这个索引3确定了该边对应两个顶点的索引( 5 , 2 ) (5,2)(5,2)，即边F D FDFD，图中的黄色线表示，将该边加入到列表arc中，同时将D DD加入U UU中，即将其对应的closedge由( 5 , 2 ) (5,2)(5,2)置为( 5 , 0 ) (5,0)(5,0)，此时closedge为[ ( 0 , 0 ) , ( 2 , 5 ) , ( 0 , 0 ) , ( 5 , 0 ) , ( 2 , 6 ) , ( 2 , 0 ) ] [(0,0),(2,5),(0,0),(5,0),(2,6),(2,0)][(0,0),(2,5),(0,0),(5,0),(2,6),(2,0)]；
(4) 此时U UU中有顶点A AA、C CC、F FF和D DD，然后去找两顶点集合对应权值最小的边，与D DD相连的边有D A DADA、D C DCDC和D F DFDF，更新closedge为[ ( 0 , 0 ) , ( 2 , 5 ) , ( 0 , 0 ) , ( 5 , 0 ) , ( 2 , 6 ) , ( 2 , 0 ) ] [(0,0),(2,5),(0,0),(5,0),(2,6),(2,0)][(0,0),(2,5),(0,0),(5,0),(2,6),(2,0)]，其中权值最小的边的另一个顶点索引为1，即顶点B BB，然后根据这个索引1确定了该边对应两个顶点的索引( 2 , 1 ) (2,1)(2,1)，即边C B CBCB，图中的绿色线表示，将该边加入到列表arc中，同时将B BB加入U UU中，，即将其对应的closedge由( 2 , 5 ) (2,5)(2,5)置为( 2 , 0 ) (2,0)(2,0)，此时closedge为[ ( 0 , 0 ) , ( 2 , 0 ) , ( 0 , 0 ) , ( 5 , 0 ) , ( 2 , 6 ) , ( 2 , 0 ) ] [(0,0),(2,0),(0,0),(5,0),(2,6),(2,0)][(0,0),(2,0),(0,0),(5,0),(2,6),(2,0)]；
(5) 此时U UU中有顶点A AA、C CC、F FF、D DD和B BB，然后去找两顶点集合对应权值最小的边，与B BB相连的边有B A BABA、B C BCBC和B E BEBE，更新closedge为[ ( 0 , 0 ) , ( 2 , 0 ) , ( 0 , 0 ) , ( 5 , 0 ) , ( 1 , 3 ) , ( 2 , 0 ) ] [(0,0),(2,0),(0,0),(5,0),(1,3),(2,0)][(0,0),(2,0),(0,0),(5,0),(1,3),(2,0)]，其中权值最小的边的另一个顶点索引为4，即顶点E EE，然后根据这个索引4确定了该边对应两个顶点的索引( 1 , 4 ) (1,4)(1,4)，即边B E BEBE，图中的蓝色线表示，将该边加入到列表arc中，同时将E EE加入U UU中，，即将其对应的closedge由( 2 , 6 ) (2,6)(2,6)置为( 1 , 3 ) (1,3)(1,3)，此时closedge为[ ( 0 , 0 ) , ( 2 , 0 ) , ( 0 , 0 ) , ( 5 , 0 ) , ( 1 , 0 ) , ( 2 , 0 ) ] [(0,0),(2,0),(0,0),(5,0),(1,0),(2,0)][(0,0),(2,0),(0,0),(5,0),(1,0),(2,0)]；
至此，未访问顶点的集合已为空，顶点已全部被访问，最小生成树为：{ ( A , C ) , ( C , F ) , ( F , D ) , ( C , B ) , ( B , E ) } \{(A,C),(C,F),(F,D),(C,B),(B,E)\}{(A,C),(C,F),(F,D),(C,B),(B,E)}。
P r i m PrimPrim算法实现如下：

    def GetMin(self, closedge):
        """
        找到当前closedge中权值最小的边
        :param closedge: 
        :return: 
        """
        index = 0
        vertex = 0
        minweight = float('inf')
        while index < self.vexnum:
            if closedge[index][1] != 0 and closedge[index][1] < minweight:
                minweight = closedge[index][1]
                vertex = index
            index += 1
        return vertex

    def Prim(self, start_vertex):
        k = self.LocateVertex(start_vertex)
        closedge = []
        arc = []
        for index in range(self.vexnum):
            # 下标权值, 初始化
            closedge.append([k, self.arcs[k][index]])
        # 将起始点加入到U中
        closedge[k][1] = 0
        index = 1
        while index < self.vexnum:
            # 找到了与下标为k相连的最小边
            minedge = self.GetMin(closedge)
            # 将当前最小权值的边加入到最小生成树arc
            arc.append([self.vertexs[closedge[minedge][0]].data, self.vertexs[minedge].data, closedge[minedge][1]])
            # 将最小边权值置为0, 即将顶点v加入U中, 表示该顶点已经在最小生成树内
            closedge[minedge][1] = 0
            i = 0
            # 重新选择权值最小边
            while i < self.vexnum:
                if self.arcs[minedge][i] < closedge[i][1]:
                    # 更新 最小边的权值及下标
                    closedge[i] = [minedge, self.arcs[minedge][i]]
                i += 1
            index += 1
        return arc

可以看到P r i m PrimPrim算法的时间复杂度与图中顶点的数目有个很大关系，所以它更适合稠密网求最小生成树。

4. Kruskal算法

K r u s k a l KruskalKruskal算法，中文名叫克鲁斯卡尔算法。基本思想如下：
(1) 将连通网N NN中的所有边存入集合Edges，并按权值从小到大进行排列，同时令U = V , T E = { } U=V,TE=\{\}U=V,TE={}，T E TETE是N NN上最小生成树中边的集合，此时为空，即最小生成树T TT中的每一个顶点都自带一个连通分量；
(2) 依次访问Edges中的边，若当前被访问的边的两个顶点属于不同的连通分量，即不构成环，则将该边加入到T E TETE中，并标记当前两个顶点所在的连通分量为同一个连通分量；否则将该边从Edges中删除；
(3) 重复执行第二步，直到最小生成树T TT的所有顶点均属于同一连通分量，此时E d g e s EdgesEdges中的边与组成最小生成树T TT的边相同，这些边组成了集合T E TETE。

这里使用一个辅助数组flags来记录每个顶点所属的连通分量的序号。下面结合着K r u s k a l KruskalKruskal算法来分析一下上面的那个无向网：
(1) K r u s k a l KruskalKruskal算法在不断遍历列表edges中的每一条边并更新列表edges。首先遍历第一条边( A , C ) (A,C)(A,C)，图中的红色线，发现这条边的两个顶点属于不同的连通分量，然后就更新辅助数组flags中对应顶点的序号，让它们俩的序号一致；
(2) 然后遍历下一条边( D , F ) (D,F)(D,F)，图中的橙色线，发现这条边的两个顶点属于不同的连通分量，然后就更新辅助数组flags中对应顶点的序号，让它们俩的序号一致；
(3) 然后遍历下一条边( B , E ) (B,E)(B,E)，图中的黄色线，发现这条边的两个顶点属于不同的连通分量，然后就更新辅助数组flags中对应顶点的序号，让它们俩的序号一致；
(4) 然后遍历下一条边( C , F ) (C,F)(C,F)，图中的绿色线，发现这条边的两个顶点属于不同的连通分量，然后就更新辅助数组flags中对应顶点的序号，让它们俩的序号一致；
(5) 然后遍历下一条边( A , D ) (A,D)(A,D)，发现这条边的两个顶点属于相同的连通分量，即加入这条边后，无向网就会产生回路，删除列表edges中的这条边；
(6) 然后遍历下一条边( B , C ) (B,C)(B,C)，图中的蓝色线，发现这条边的两个顶点属于不同的连通分量，然后就更新辅助数组flags中对应顶点的序号，让它们俩的序号一致；
(7) 然后遍历下一条边( C , D ) (C,D)(C,D)，发现这条边的两个顶点属于相同的连通分量，即加入这条边后，无向网就会产生回路，删除列表edges中的这条边；
然后继续遍历，直至遍历完列表edges，列表edges中剩余的边就构成了最小生成树，最小生成树为：{ ( A , C ) , ( D , F ) , ( B , E ) , ( C , F ) , ( B , C ) } \{(A,C),(D,F),(B,E),(C,F),(B,C)\}{(A,C),(D,F),(B,E),(C,F),(B,C)}。
K r u s k a l KruskalKruskal算法实现如下：

    def AddEdges(self):
        """
        将连通网中的边加入到列表AddEdges中
        :return:
        """
        edges = []
        i = 0
        while i < self.vexnum:
            j = 0
            while j < self.vexnum:
                if self.arcs[i][j] != float('inf'):
                    edges.append([self.vertexs[i].data, self.vertexs[j].data, self.arcs[i][j]])
                j += 1
            i += 1
        # 按权重从小到大进行排序
        return sorted(edges, key=lambda item: item[2])

    def Kruskal(self):
        edges = self.AddEdges()
        flags = []
        for index in range(self.vexnum):
            flags.append(index)
        index = 0
        while index < len(edges):
            ivertex = self.LocateVertex(edges[index][0])
            jvertex = self.LocateVertex(edges[index][1])
            if flags[ivertex] != flags[jvertex]:
                # 两个顶点不属于同一连通分量
                # 找到它们各自的连通分量的序号
                iflag = flags[ivertex]
                jflag = flags[jvertex]
                # 它们两个如何合并, 找找flags有没有与之相同的
                limit = 0
                while limit < self.vexnum:
                    if flags[limit] == jflag:
                        # 将j和i的连通序号设置相同, 表示它俩是连通的
                        flags[limit] = iflag
                    limit += 1
                # index就要放这里, 因为删除边后edges长度就会减少1
                index += 1
            else:
                # 已经连通了, 即加入这条边就构成了环
                # 删除这条边
                edges.pop(index)
        return edges

可以看到K r u s k a l KruskalKruskal算法的时间复杂度与图中边的数目有个很大关系，所以它更适合稀疏网求最小生成树。

5. 代码测试

测试代码如下：

if __name__ == '__main__':
    graph = Graph(kind='Undinetwork')
    graph.CreateGraph(vertex_list=['A', 'B', 'C', 'D', 'E', 'F'],
                      edge_list=[('A', 'B', 6), ('A', 'C', 1), ('A', 'D', 5), ('B', 'C', 5),
                                 ('B', 'E', 3), ('C', 'D', 5), ('C', 'E', 6), ('C', 'F', 4),
                                 ('D', 'F', 2), ('E', 'F', 6)])
    # 起始位置的index为0
    mst1 = graph.Prim('A')
    print('Prim最小生成树为: ')
    for edge in mst1:
        print('{0}-->{1}: {2}'.format(edge[0], edge[1], edge[2]))
    mst2 = graph.Kruskal()
    print('Kruskal最小生成树为: ')
    for edge in mst2:
        print('{0}-->{1}: {2}'.format(edge[0], edge[1], edge[2]))

测试结果如下：

你学会了吗？

此文转载文，著作权归作者所有，如有侵权联系小编删除

原文地址：https://blog.csdn.net/qq_42730750/article/details

此项目完整代码获取点这

爬遍天下无敌手

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Python描述数据结构之最小生成树篇！零基础必学！

前言本篇章主要介绍图的最小生成树，包括Prim算法和Kruskal算法，并用Python代码实现。1. 创建图在开始之前，我们先创建一个图，使用邻接矩阵表示图：class Graph(object): """ 以邻接矩阵为存储结构创建无向网 """ def __init__(self, kind): # 图的类型: 无向图, 有向图, 无向网, 有向网 # kind: Undigraph, Digraph, Undin
复制链接

扫一扫