图

图（Graph）

顶点（vertex）和 边（edge）组成 。

无向图

顶点相连接的边数：度

有向图

入度（In-degree）和出度（Out-degree）

带权图（weighted graph）

如QQ好友亲密关系：

存储方法

邻接矩阵

1. 无向图的话浪费了一半空间
2. 稀疏图（Sparse Matrix）：顶点很多，但每个顶点的边并不多（比如微信有好几亿的用户，但是每个用户的好友也就三五百个。）

所以，邻接矩阵很浪费空间，但是邻接矩阵在矩阵计算方面有优势。

邻接表

大致思路如此，按照需求可以改造：

改造实例：如何存储微博社交关系？（关注与粉丝）

• 判断用户 A 是否关注了用户 B；
• 判断用户 A 是否是用户 B 的粉丝；
• 用户 A 关注用户 B；
• 用户 A 取消关注用户 B；
• 根据用户名称的首字母排序，分页获取用户的粉丝列表；
• 根据用户名称的首字母排序，分页获取用户的关注列表。

1. 因为社交网络是一张稀疏图，使用邻接矩阵存储比较浪费存储空间。所以，这里我们采用邻接表来存储。

2. 如果只存储关注列表，则粉丝列表很能查询。所以我们需要一个关注列表（邻接表），一个粉丝列表（反邻接表）（当然我觉得也可以把两个表合并，左边一条链（粉丝），右边一条链（关注）😃）
   

3. 链改造为跳表（时间复杂度是 O(logn)，空间复杂度上稍高是 O(n)）。最重要的一点，跳表中存储的数据本来就是有序的了，分页获取粉丝列表或关注列表，就非常高效。（其实红黑树也可以）

问题附加：微博有上亿的用户，数据规模太大，这就无法将淑君全部存储在内存中了。这个时候该怎么办呢？
（哎呀，一看到这种上亿级别的响应，肯定想到哈希算法分布式啊🧐）

通过哈希算法数据分片方式，将邻接表存储在不同的机器上。
查询的时候一样：用户id通过哈希算法的值%机器数量 = 对应机器编号，则从该机器的邻接表查询就可以了。

还有一种办法就是利用数据库建立索引：

思考题

一、像微信这种无向图，应该怎么存储呢？

稀疏图 ==> 邻接表：每个人所对应的好友列表。为了支持快速查找，好友列表可以使用红黑树存储。

二、符合图这种结构特点的例子还有很多，比如知识图谱（Knowledge Graph）。关于图这种数据结构，你还能想到其他生活或者工作中的例子吗？

地图；
网络；
Gradle这个编译工具，内部组织task的方式用的是有向图；
Android framework层提供了一个CoordinatorLayout，其内部协调子view的联动，也是用的图。

了解：
1 内存中用邻接表
2 要持久化存储就用数据库
2 超大图 并且涉及大量图计算，用专业的图数据库

图的搜索

构造无向图

注意邻接表及其初始化：

public class Graph { // 无向图
  private int v; // 顶点的个数
  private LinkedList<Integer> adj[]; // 邻接表

  public Graph(int v) {
    this.v = v;
    adj = new LinkedList[v];
    for (int i=0; i<v; ++i) {
      adj[i] = new LinkedList<>();
    }
  }

  public void addEdge(int s, int t) { // 无向图一条边存两次
    adj[s].add(t);
    adj[t].add(s);
  }
}

广度优先搜索（BFS）

广度优先搜索（Breadth-First-Search）：“地毯式”层层推进的搜索策略，即先查找离起始顶点最近的，然后是次近的，依次往外搜索。（这种按层搜索应该联想到二叉树的按层遍历：需要LinkedList队列）

求s到t的路径：

public void bfs(int s, int t) {
  if (s == t) return;
  boolean[] visited = new boolean[v];
  visited[s]=true;
  Queue<Integer> queue = new LinkedList<>();
  queue.add(s);
  int[] prev = new int[v];
  for (int i = 0; i < v; ++i) {
    prev[i] = -1;
  }
  while (queue.size() != 0) {
    int w = queue.poll();
   for (int i = 0; i < adj[w].size(); ++i) {
      int q = adj[w].get(i);
      if (!visited[q]) {
        prev[q] = w;
        if (q == t) {
          print(prev, s, t);
          return;
        }
        visited[q] = true;
        queue.add(q);
      }
    }
  }

}

1. visited 是用来记录顶点是否已经被访问，用来避免顶点被重复访问。
2. queue 是一个队列，用来存储“同一个圈🔵”上的顶点（就是上图中的黄色虚线圈，类似二叉树的一层）。因为广度优先搜索是逐层访问的，也就是说，我们只有把第 k 层的顶点都访问完成之后，才能访问第 k+1 层的顶点。
3. prev 用来记录搜索路径。 不过，prev[w]存储的是，顶点 w 是从哪个前驱顶点遍历过来的。比如，我们通过顶点 2 的邻接表访问到顶点 3，那 prev[3]就等于 2。
4. 为了正向打印出路径，我们需要递归地来打印，print() 函数的实现方式。

private void print(int[] prev, int s, int t) { // 递归打印s->t的路径
  if (prev[t] != -1 && t != s) {
    print(prev, s, prev[t]);
  }
  System.out.print(t + " ");
}

走一遍：

复杂度分析

时间复杂度：因为基本每个边都要访问一次，所以时间复杂度O(E)。(E为边数)
空间复杂度：因为要借助visited、queue、prev三个v，所以空间复杂度O(V)。（V为顶点数）

深度优先搜索（DFS）

深度优先搜索（Depth-First-Search），简称 DFS。最直观的例子就是“走迷宫”。
随意选择一个岔路口来走，走着走着发现走不通的时候，你就回退到上一个岔路口，重新选择一条路继续走，直到最终找到出口。(回溯思想)

求s到t的路径：

boolean found = false; // 全局变量或者类成员变量

public void dfs(int s, int t) {
  found = false;
  boolean[] visited = new boolean[v];
  int[] prev = new int[v];
  for (int i = 0; i < v; ++i) {
    prev[i] = -1;
  }
  recurDfs(s, t, visited, prev);
  print(prev, s, t);
}

private void recurDfs(int w, int t, boolean[] visited, int[] prev) {
  if (found == true) return;
  visited[w] = true;
  if (w == t) {
    found = true;
    return;
  }
  for (int i = 0; i < adj[w].size(); ++i) {
    int q = adj[w].get(i);
    if (!visited[q]) {
      prev[q] = w;
      recurDfs(q, t, visited, prev);
    }
  }
}

复杂度分析

时间复杂度：每条边最多会被访问两次，一次是遍历，一次是回退。时间复杂度O(E)。(E为边数)
空间复杂度：要借助visited、prev 数组和递归调用栈，同样空间复杂度O(V)。（V为顶点数）

思考题：可能认识的人，找出社交网络中某个用户的三度好友关系？

使用广度搜索思想：
首先，遍历与起始顶点最近的一层顶点，也就是用户的一度好友。
然后再遍历与用户距离的边数为 2 的顶点，也就是二度好友关系。
同样遍历用户距离的边数为 3 的顶点，也就是三度好友关系。