文章目录
图结构(Graph)
一、图的介绍
1. 什么是图?
- 图结构是一种与树结构有些相似的数据结构
- 图论是数学的一个分支,并且,在数学中,树是图的一种
- 图论以图为研究对象,研究顶点和边组成的图形的数学理论和方法
- 主要的研究目的为:事物之间的联系,顶点代表事物,边代表两个事物间的关系
2.图的特点
- 一组顶点:通常用 V (Vertex)表示顶点的集合
- 一组边:通常用E(Edge)表示边的集合
- 边是顶点和顶点之间的连线
- 边可以是有向的,也可以是无向的。比如A----B表示无向,A —> B 表示有向
3. 图的常用术语:
- 顶点:表示图中的一个节点
- 边:表示顶点和顶点给之间的连线
- 相邻顶点:由一条边连接在一起的顶点称为相邻顶点
- 度:一个顶点的度是相邻顶点的数量
- 路径:
- **简单路径:**简单路径要求不包含重复的顶点
- 回路:第一个顶点和最后一个顶点相同的路径称为回路
- 无向图:图中的所有边都是没有方向的
- 有向图:图中的所有边都是有方向的
- **无权图:**无权图中的边没有任何权重意义
- **带权图:**带权图中的边有一定的权重含义
4. 图的表示
4.1 邻接矩阵
表示图的常用方式为:邻接矩阵,如下图所示
- 可以使用二维数组来表示邻接矩阵
- 邻接矩阵让每个节点和一个整数相关联,该整数作为数组的下标值
- 使用一个二维数组来表示顶点之间的连接
邻接矩阵表示法示例,如上图所示:
- 二维数组中的0表示没有连线,1表示有连线
- 如:A[ 0 ] [ 3 ] = 1,表示 A 和 C 之间有连接
- 邻接矩阵的对角线上的值都为0,表示A - A ,B - B,等自回路都没有连接(自己与自己之间没有连接)
- 若为无向图,则邻接矩阵应为对角线上元素全为0的对称矩阵
邻接矩阵存在的问题:
- 如果图是一个稀疏图,那么邻接矩阵中将存在大量的 0,造成存储空间的浪费
4.2 邻接表
另外一种表示图的常用方式为:邻接表,如下图所示
- 邻接表由图中每个顶点以及和顶点相邻的顶点列表组成
- 这个列表可用多种方式存储,比如:**数组/链表/字典(哈希表)**等都可以
如上图所示:
- 图中可清楚看到A与B、C、D相邻,假如要表示这些与A顶点相邻的顶点(边),可以通过将它们作为A的值(value)存入到对应的数组/链表/字典中
- 之后,通过键(key)A,可以十分方便地取出对应的数据
邻接表的问题:
- 邻接表可以简单地得出出度,即某一顶点指向其他顶点的个数;
- 但是,邻接表计算入度(指向某一顶点的其他顶点的个数称为该顶点的入度)十分困难,此时需要构造逆邻接表才能有效计算入度
二、图结构的封装
这里我们采用邻接表的方式进行封装,使用之前封装过的字典结构(也可以理解为Map)来存储临近表
2.1 图类的创建
function Graph() {
this.vertexes = []; // 存放顶点
this.adList = new Dirtioany(); // 使用字典结构存放 边 信息
}
2.2 添加顶点和边
-
我们需要创建一个数组对象vertexes存储图的顶点
-
创建一个字典对象edges,来存储图的边,其中key为顶点值,value为存储key顶点相邻顶点的数组
-
如下图所示
// 1.添加顶点
Graph.prototype.addVertex = function (val) {
this.vertexes.push(val); // 添加顶点
this.adList.set(val, []); // 初始化顶点对应的边
};
// 2.添加边
Graph.prototype.addEdge = function (val1, val2) {
// 因为边是相互存在的,所以需要存储关联两个顶点的信息
// 这里实现的是无向图,所以不考虑方向的问题
this.adList.get(val1).push(val2);
this.adList.get(val2).push(val1);
};
2.3 实现toString()方法
为图类Graph添加toString方法,实现以邻接表的形式输出图中各顶点
// 3.toString方法
Graph.prototype.toString = function () {
var resString = "";
for (var i = 0; i < this.vertexes.length; i++) {
resString += this.vertexes[i] + "->";
var adList = this.adList.get(this.vertexes[i]);
for (var j = 0; j < adList.length; j++) {
resString += adList[j] + " ";
}
resString += "\n";
}
return resString;
};
测试代码
// 测试代码
let graph = new Graph();
// 添加顶点
let myVertexes = ["A", "B", "C", "D", "E", "F", "G", "H", "I"];
for (let i = 0; i < myVertexes.length; i++) {
graph.addVertex(myVertexes[i]);
}
// 添加边
graph.addEdge("A", "B");
graph.addEdge("A", "C");
graph.addEdge("A", "D");
graph.addEdge("C", "D");
graph.addEdge("C", "G");
graph.addEdge("D", "G");
graph.addEdge("D", "H");
graph.addEdge("B", "E");
graph.addEdge("B", "F");
graph.addEdge("E", "I");
console.log(graph.toString());
// A->B C D
// B->A E F
// C->A D G
// D->A C G H
// E->B I
// F->B
// G->C D
// H->D
// I->E
2.4 图的遍历方式
图的遍历思想:
- 图的遍历思想与树的遍历思想一样,意味着需要将图中所有的顶点都访问一遍,并且不能有重复的访问(上面的toString方法会重复访问)
遍历图的两种算法:
- 广度优先搜索(Breadth - First Search,简称BFS)
- 深度优先搜索(Depth - First Search,简称DFS)
- 两种遍历算法都需要指定第一个被访问的顶点
为了记录顶点是否被访问过,这里使用三种颜色来表示它们的状态
- 白色:表示该顶点还没有被访问过
- 灰色:表示该顶点被访问过,但其相邻顶点并未完全被访问过
- 黑色:表示该顶点被访问过,且其所有相邻顶点都被访问过
首先封装initializeColor方法将图中的所有顶点初始化为白色,代码实现如下:
/**
* 4.初始化顶点颜色
* 白色表示该顶点还没有被访问.
* 灰色表示该顶点被访问过, 但并未被探索过.
* 黑色表示该顶点被访问过且被完全探索过.
*/
Graph.prototype._initColors = function () {
var colors = [];
for (var i = 0; i < this.vertexes.length; i++) {
colors[this.vertexes[i]] = "white";
}
return colors;
};
2.5 广度优先搜索(BFS)
思路:
- 广度优先搜索算法会从指定的第一个顶点开始遍历图,先访问其所有的相邻顶点,就像一次访问图的一层
- 也可以说是先宽后深地遍历图中的各个顶点
实现思路:
基于队列可以简单地实现广度优先搜索算法:
- 首先创建一个队列Q(尾部进,首部出)
- 调用封装的initializeColor方法将所有顶点初始化为白色
- 指定第一个顶点A,将A标注为灰色(被访问过的节点),并将A放入队列Q中
- 循环遍历队列中的元素,只要队列Q非空,就执行以下操作
- 先将灰色的A从Q的首部取出
- 取出A后,将A的所有未被访问过(白色)的相邻顶点依次从队列Q的尾部加入队列,并变为灰色。以此保证,灰色的相邻顶点不重复加入队列
- A的全部相邻节点加入Q后,A变为黑色,在下一次循环中被移除Q外
代码实现:
// 5.广度优先遍历
Graph.prototype.bfs = function (initV, handler) {
var colors = this._initColors();
var queue = new Queue();
// 将定点放入队列
queue.enqueue(initV);
while (!queue.isEmpty()) {
var qVal = queue.dequeue(); // 拿到队头的顶点
var qAdj = this.adList.get(qVal); // 拿到队头对应的边
// 将队头设置正在探索中 灰色
colors[qVal] = "gray";
// 将队头顶点相邻的边 全部拿出来遍历一遍,并加入到队列中
for (var i = 0; i < qAdj.length; i++) {
var vertexeValue = qAdj[i]; // 取出相邻顶点
// 如果这个顶点是白色,说明没有被访问过
if (colors[vertexeValue] === "white") {
// 正在访问
colors[vertexeValue] = "gray";
// 将相邻顶点入队
queue.enqueue(vertexeValue);
}
}
// 代表该定点已经探索完毕,设置为黑色
colors[qVal] = "black";
// 输出
handler && handler(qVal);
}
};
测试代码
graph.bfs(graph.vertexes[0], function (value) {
console.log(value); // A,B,C,D,E,F,G,H,I,
});
过程详解
下为指定的第一个顶点为A时的遍历过程:
- 如 a 图所示,将在字典edges中取出的与A相邻的且未被访问过的白色顶点B、C、D放入队列que中并变为灰色,随后将A变为黑色并移出队列
- 接着,如图 b 所示,将在字典edges中取出的与B相邻的且未被访问过的白色顶点E、F放入队列que中并变为灰色,随后将B变为黑色并移出队列
- 如 c 图所示,将在字典edges中取出的与C相邻的且未被访问过的白色顶点G(A,D也相邻不过已变为灰色,所以不加入队列)放入队列que中并变为灰色,随后将C变为黑色并移出队列
- 接着,如图 d 所示,将在字典edges中取出的与D相邻的且未被访问过的白色顶点H放入队列que中并变为灰色,随后将D变为黑色并移出队列
如此循环直到队列中元素为0,即所有顶点都变黑并移出队列后才停止,此时图中顶点已被全部遍历
为了更好的理解BFS,这里提供一份简版BFS,核心思路都是一样的
简版BFS
const graph = {
0: [1, 2],
1: [2],
2: [0, 3],
3: [3],
};
const bfs = (root) => {
const visited = new Set(); // 用来存储,节点是否访问过
visited.add(root);
const q = [root]; //新建队列,根结点入队
while (q.length) {
let n = q.shift(); // 队列节点出队,拿到队头
console.log(n); // 访问节点
// 访问相邻节点,并入队
graph[n]?.forEach((item) => {
if (!visited.has(item)) { // 若没被访问过
q.push(item); // 入队
visited.add(item); // 表示已经访问过
}
});
}
};
bfs(2); // 2 0 3 1
2.6深度优先搜索(DFS)
思路:
- 深度优先搜索算法将会从指定的第一个顶点开始遍历图,沿着一条路径遍历直到该路径的最后一个顶点都被访问过为止
- 接着沿原来路径回退并探索下一条路径,即先深后宽地遍历图中的各个顶点
实现思路:
- 可以使用栈结构来实现深度优先搜索算法
- 深度优先搜索算法的遍历顺序与二叉搜索树中的先序遍历较为相似,同样可以使用递归来实现(递归的本质就是函数栈的调用)
基于递归实现深度优先搜索算法:定义dfs方法用于调用递归方法dfsVisit,定义dfsVisit方法用于递归访问图中的各个顶点。
这里实现dfs时,实现一个辅助函数dfsVisit,方便递归实现DFS。
在dfs方法中:
- 首先,调用initializeColor方法将所有顶点初始化为白色
- 然后,调用dfsVisit方法遍历图的顶点
在dfsVisit方法中:
- 首先,将传入的指定节点v标注为灰色
- 接着,处理顶点V
- 然后,访问V的相邻顶点
- 最后,将顶点v标注为黑色
代码实现:
// 6.深度优先遍历
Graph.prototype.dfs = function (initValue, handler) {
var colors = this._initColors(); // 初始化顶点颜色
this.dfsVisit(initValue, colors, handler); // 遍历
};
Graph.prototype.dfsVisit = function (v, colors, handler) {
colors[v] = "gray"; // 访问中
handler && handler(v); // 访问该顶点
var vList = this.adList.get(v); // 获取相邻顶点
for (var i = 0; i < vList.length; i++) {
if (colors[vList[i]] === "white") {
this.dfsVisit(vList[i], colors, handler); // 递归访问
}
}
colors[v] = "black"; // 访问结束
};
测试代码
graph.dfs(graph.vertexes[0], function (value) {
console.log(value); // A,B,E,I,F,C,D,G,H
});
过程详解
这里主要解释一下代码中的第3步操作:访问指定顶点的相邻顶点。
- 以指定顶点A为例,先从储存顶点及其对应相邻顶点的字典对象edges中取出由顶点A的相邻顶点组成的数组
- 第一步:A顶点变为灰色,随后进入第一个for循环,遍历A白色的相邻顶点:B、C、D;在该for循环的第1次循环中(执行B),B顶点满足:colors == “white”,触发递归,重新调用该方法
- 第二步:B顶点变为灰色,随后进入第二个for循环,遍历B白色的相邻顶点:E、F;在该for循环的第1次循环中(执行E),E顶点满足:colors == “white”,触发递归,重新调用该方法
- 第三步:E顶点变为灰色,随后进入第三个for循环,遍历E白色的相邻顶点:I;在该for循环的第1次循环中(执行I),I顶点满足:colors == “white”,触发递归,重新调用该方法
- 第四步:I顶点变为灰色,随后进入第四个for循环,由于顶点I的相邻顶点E不满足:colors == “white”,停止递归调用。过程如下图所示:
- 第五步:递归结束后一路向上返回,首先回到第三个for循环中继续执行其中的第2、3…次循环,每次循环的执行过程与上面的同理,直到递归再次结束后,再返回到第二个for循环中继续执行其中的第2、3…次循环…以此类推直到将图的所有顶点访问完为止。
下图为遍历图中各顶点的完整过程:
- 发现表示访问了该顶点,状态变为灰色;
- 探索表示既访问了该顶点,也访问了该顶点的全部相邻顶点,状态变为黑色;
- 由于在顶点变为灰色后就调用了处理函数handler,所以handler方法的输出顺序为发现顶点的顺序即:A、B、E、I、F、C、D、G、H 。
为了更好的理解DFS,这里也提供一份简版DFS
简版DFS
const graph = {
0: [1, 2],
1: [2],
2: [0, 3],
3: [3],
};
let set = new Set();
const dfs = (n) => {
console.log(n);
set.add(n);
graph[n]?.forEach((item) => {
if (!set.has(item)) {
dfs(item);
}
});
};
dfs(2); // 2 0 1 3
2.7 完整代码
const Dirtioany = require("./dict");
const Queue = require("../03-队列结构/01-queue");
function Graph() {
this.vertexes = []; // 存放顶点
this.adList = new Dirtioany(); // 使用字典结构存放 边 信息
// 1.添加顶点
Graph.prototype.addVertex = function (val) {
this.vertexes.push(val); // 添加顶点
this.adList.set(val, []); // 初始化顶点对应的边
};
// 2.添加边
Graph.prototype.addEdge = function (val1, val2) {
// 因为边是相互存在的,所以需要存储关联两个顶点的信息
// 这里实现的是无向图,所以不考虑方向的问题
this.adList.get(val1).push(val2);
this.adList.get(val2).push(val1);
};
// 3.toString方法
Graph.prototype.toString = function () {
var resString = "";
for (var i = 0; i < this.vertexes.length; i++) {
resString += this.vertexes[i] + "->";
var adList = this.adList.get(this.vertexes[i]);
for (var j = 0; j < adList.length; j++) {
resString += adList[j] + " ";
}
resString += "\n";
}
return resString;
};
/**
* 4.初始化顶点颜色
* 白色表示该顶点还没有被访问.
* 灰色表示该顶点被访问过, 但并未被探索过.
* 黑色表示该顶点被访问过且被完全探索过.
*/
Graph.prototype._initColors = function () {
var colors = [];
for (var i = 0; i < this.vertexes.length; i++) {
colors[this.vertexes[i]] = "white";
}
return colors;
};
// 5.广度优先遍历
Graph.prototype.bfs = function (initV, handler) {
var colors = this._initColors();
var queue = new Queue();
// 将定点放入队列
queue.enqueue(initV);
while (!queue.isEmpty()) {
var qVal = queue.dequeue(); // 拿到队头的顶点
var qAdj = this.adList.get(qVal); // 拿到队头对应的边
// 将队头设置正在探索中 灰色
colors[qVal] = "gray";
// 将队头顶点相邻的边 全部拿出来遍历一遍,并加入到队列中
for (var i = 0; i < qAdj.length; i++) {
var vertexeValue = qAdj[i]; // 取出相邻顶点
// 如果这个顶点是白色,说明没有被访问过
if (colors[vertexeValue] === "white") {
// 正在访问
colors[vertexeValue] = "gray";
// 将相邻顶点入队
queue.enqueue(vertexeValue);
}
}
// 代表该定点已经探索完毕,设置为黑色
colors[qVal] = "black";
// 输出
handler && handler(qVal);
}
};
// 6.深度优先遍历
Graph.prototype.dfs = function (initValue, handler) {
var colors = this._initColors(); // 初始化顶点颜色
this.dfsVisit(initValue, colors, handler); // 遍历
};
Graph.prototype.dfsVisit = function (v, colors, handler) {
colors[v] = "gray"; // 访问中
handler && handler(v); // 访问该顶点
var vList = this.adList.get(v); // 获取相邻顶点
for (var i = 0; i < vList.length; i++) {
if (colors[vList[i]] === "white") {
this.dfsVisit(vList[i], colors, handler); // 递归访问
}
}
colors[v] = "black"; // 访问结束
};
}
// 测试代码
let graph = new Graph();
// 添加顶点
let myVertexes = ["A", "B", "C", "D", "E", "F", "G", "H", "I"];
for (let i = 0; i < myVertexes.length; i++) {
graph.addVertex(myVertexes[i]);
}
// 添加边
graph.addEdge("A", "B");
graph.addEdge("A", "C");
graph.addEdge("A", "D");
graph.addEdge("C", "D");
graph.addEdge("C", "G");
graph.addEdge("D", "G");
graph.addEdge("D", "H");
graph.addEdge("B", "E");
graph.addEdge("B", "F");
graph.addEdge("E", "I");
console.log(graph.toString());
// A->B C D
// B->A E F
// C->A D G
// D->A C G H
// E->B I
// F->B
// G->C D
// H->D
// I->E
graph.bfs(graph.vertexes[0], function (value) {
console.log(value); // A,B,C,D,E,F,G,H,I,
});
graph.dfs(graph.vertexes[0], function (value) {
console.log(value); // A,B,E,I,F,C,D,G,H
});