数据结构与算法(程序员常用十种算法下:5~10)

一:普里姆算法

应用场景和问题:

(1)有胜利乡有7个村庄(A, B,C,D,E,F,G)，现在需要修路把7个村庄连通

(2)各个村庄的距离用边线表示(权)，比如A-B距离5公里

(3)间:如何修路保证各个村庄都能连通，并且总的修建公路总里程最短?

思路:将10条边连接即可,但是总的里程不是最小

正确思路:介绍尽可能的选择少的路线,并且每条路线最小,保证总里程数最少

最小生成树

修路问题本质就是就是最小生成树问题，先介绍一下最小生成树(Minimum CostSpanning Tree)，简称MST。
(1)给定一个带权的无向连通图,如何选取一棵生成树,使树上所有边上权的总和为最小,这叫最小生成树

(2)N个顶点，一定有N-1条边

(3)包含全部顶点

(4)N-1条边都在图中

(5)举例说明(如图:)

(6)求最小生成树的算法主要是普里姆算法和克鲁斯卡尔算法

普里姆算法介绍

         普利姆(Prim)算法求最小生成树，也就是在包含n个顶点的连通图中，找出只有(n-1)条边包含所有n个顶点的连通子图，也就是所谓的极小连通子图
普利姆的算法如下:

(1)设G=(v,E)是连通网，T=(U,D)是最小生成树，v,u是顶点集合，E,D是边的集合

(2)若从顶点u开始构造最小生成树，则从集合v中取出顶点u放入集合u中，标记顶点v的visited[u]=1

(3)若集合u中顶点ui与集合v-U中的顶点vj之间存在边，则寻找这些边中权值最小的边，但不能构回路，将顶点vj加入集合u中，将边（ui,vj）加入集合D中，标记visited[vj]=1

(4)重复步骤②，直到u与v相等，即所有顶点都被标记为访问过，此时D中有n-1条边

(5)提示:单独看步骤很难理解，我们通过代码来讲解，比较好理解.

图解:

代码实现

package prim;

import java.util.Arrays;
import java.util.Date;

/**
 * 普里姆算法
 */
public class PrimAlgorithm {

    public static void main(String[] args) {
        //测试看图是否创建ok
        char[] data = new char[]{'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        int verxs = data.length;
        //邻接矩阵的关系用二维数组表示,10000这个较大树,表示两个点不连通
        int[][] weight = new int[][]{
                {10000, 5, 7, 10000, 1000, 1000, 2},
                {5, 10000, 10000, 9, 10000, 10000, 3},
                {7, 10000, 10000, 10000, 8, 1000, 10000},
                {10000, 9, 10000, 10000, 10000, 4, 10000},
                {10000, 10000, 8, 10000, 10000, 5, 4},
                {10000, 10000, 10000, 4, 5, 10000, 6},
                {2, 3, 10000, 10000, 4, 6, 10000},};

        //创建MGraph对象
        MGraph graph = new MGraph(verxs);
        //创建一个MinTree对象
        MinTree minTree = new MinTree();
        minTree.createGraph(graph, verxs, data, weight);
        //输出
        minTree.showGraph(graph);
        //测试普里姆算法
        minTree.prim(graph, 1);

    }
}

//创建最小生成树=>村庄的图
class MinTree {
    /**
     * 创建图的邻接矩阵
     *
     * @param graph  图对象
     * @param verxs  图对应的顶点个数
     * @param data   图的各个顶点的值
     * @param weight 图的邻接矩阵
     */
    public void createGraph(MGraph graph, int verxs, char[] data, int[][] weight) {
        int i, j;
        for (i = 0; i < verxs; i++) { //顶点
            graph.data[i] = data[i];
            for (j = 0; j < verxs; j++) {
                graph.weight[i][j] = weight[i][j];
            }
        }
    }

    //显示图的邻接矩阵
    public void showGraph(MGraph graph) {
        for (int[] link : graph.weight) {
            System.out.println(Arrays.toString(link));
        }
    }

    /**
     * 编写prim算法,得到最小生产树
     *
     * @param graph 图
     * @param v     表示从图第几个顶点开始生成 'A'->0 'B'->1...
     */
    public void prim(MGraph graph, int v) {
        //visited []标记结点(顶点)是否被访问过
        int[] visited = new int[graph.verxs];
        //visited[]默认元素值为0,表示没有访问
        //把当前这个结点标记为已访问
        visited[v] = 1;
        //h1和h2记录两个顶点的下标
        int h1 = -1;
        int h2 = -1;
        int minWeight = 10000; //将minWeight初始化成一个较大的数,后面遍历过程中,会被替换
        for (int k = 1; k < graph.verxs; k++) {//因为有graph.verxs顶点,普利姆算法结束后,有graph.verxs-1边

            //确定每一次生成的子图,和那个结点的距离最近
            for (int i = 0; i < graph.verxs; i++) { //i结点表示被访问过的结点
                for (int j = 0; j < graph.verxs; j++) { //j表示还没有访问过的结点
                    if (visited[i] == 1 && visited[j] == 0 && graph.weight[i][j] < minWeight) {
                        //替换minWeight(寻找已经访问过的结点和未访问过的结点间的权值最小的边)
                        minWeight = graph.weight[i][j];
                        h1 = i;
                        h2 = j;
                    }
                }
            }
            //找到一条边是最小
            System.out.println("边<" + graph.data[h1] + "," + graph.data[h2] + ">权值:" + minWeight);
            //将当前这个结点标记为已经访问
            visited[h2] = 1;
            //minWeight 重新设置为最大值
            minWeight = 10000;
        }
    }
}


class MGraph {
    int verxs; //表示图的节点个数
    char[] data; //存放节点数据
    int[][] weight; //存放边,介绍我们的邻接矩阵

    public MGraph(int verxs) {
        this.verxs = verxs;
        data = new char[verxs];
        weight = new int[verxs][verxs];
    }
}

 二:克鲁斯卡尔算法

应用场景-公交站问题

(1)某城市新增7个站点(A, B,C, D,E,F,G)，现在需要修路把7个站点连通

(2)各站点的距离用边线表示(权)，比如A-B距离12公里

(3)问:如何修路保证各个站点都能连通，并且总的修建公路总里程最短?

克鲁斯卡尔算法介绍

(1)克鲁斯卡尔(Kruskal)算法，是用来求加权连通图的最小生成树的算法。
(2)基本思想:按照权值从小到大的顺序选择n-1条边，并保证这n-1条边不构成回路
(3)具体做法:首先构造一个只含n个顶点的森林，然后依权值从小到大从连通网中选择边加入到森林中，并使森林中不产生回路，直至森林变成一棵树为止

通过示例来认识算法

在含有n个顶点的连通图中选择n-1条边，构成一棵极小连通子图，并使该连通子图中n-1条边上权值之和达到最小，则称其为连通网的最小生成树

 举例出来的三张图代表了G4有多种的不同连接方式，说明是多样化的

那么什么时候是最小生成树呢？

就是众多连接方式中里：最小的，则成为最优的，是最小生成树

克鲁斯卡尔算法图解说明

我们以上图举例，来使用克鲁斯卡尔算法进行演示

假设：我们当前使用数组R来保存最小的生成树结果

我们发现这会造成回路，但是什么是回路？我们先来分析看看

当我们将E-F、C-D、D-E加入到数组R中时，这几条边都有了终点

关于终点的说明：

一、将所有顶点按照从小到大的顺序排列好之后；某个顶点的终点就是"与它连通的最大顶点"。

C的终点是F
D的终点是F
E的终点是F
F的终点是F

二、之前<C,E>虽然是权值最小的边，但是C和E的终点都是F，即它们的终点相同。

我们加入的边的两个顶点不能都指向同一个终点，否则将构成回路。

若将<C,E>加入最小生成树的话，会形成回路。这就是判断回路的方式。

第四步：选取G4图中第六小的权值边B-F，因为它的权值为7

克鲁斯卡尔算法思路小结

根据前面的图解算法，我们能够了解到，克鲁斯卡尔算法重点需要解决的以下两个问题：

问题一：对图的所有边按照权值大小进行排序。
问题二：将边添加到最小生成树中时，怎么样判断是否形成了回路。

代码实现:

package kmp;

import java.util.Arrays;

/**
 * 克鲁斯卡尔算法
 */
public class KruskalCase {

    private int edgeNum; //边的个数
    private char[] vertexs;//顶点数组
    private int[][] matrix;//邻接矩阵
    //使用INF 表示两个顶点不能联通
    private static final int INF = Integer.MAX_VALUE;

    public static void main(String[] args) {
        char[] vertexs = {'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        //克鲁斯卡尔算法邻接矩阵
        int matrix[][] = {
                /*A*//*B*//*C*//*D*//*E*//*F*//*G*/
                /*A*/ {0, 12, INF, INF, INF, 16, 14},
                /*B*/ {12, 0, 10, INF, INF, 7, INF},
                /*C*/ {INF, 10, 0, 3, 5, 6, INF},
                /*D*/ {INF, INF, 3, 0, 4, INF, INF},
                /*E*/{INF, INF, 5, 4, 0, 2, 8},
                /*F*/ {16, 7, 6, INF, 2, 0, 9},
                /*G*/ {14, INF, INF, INF, 8, 9, 0},};

        //创建克鲁斯卡尔对象实例
        KruskalCase kruskalCase = new KruskalCase(vertexs, matrix);
        //输出构建的
        kruskalCase.print();

        kruskalCase.kruskal();
    }

    //构造器

    public KruskalCase(char[] vertexs, int[][] matrix) {
        //初始化顶点数和边的个数
        int vlen = vertexs.length;
        //初始顶点,复制拷贝的方式
        this.vertexs = new char[vlen];
        for (int i = 0; i < vertexs.length; i++) {
            this.vertexs[i] = vertexs[i];
        }

        //初始化边,使用的是拷贝的方式
        this.matrix = new int[vlen][vlen];
        for (int i = 0; i < vlen; i++) {
            for (int j = 0; j < vlen; j++) {
                this.matrix[i][j] = matrix[i][j];
            }
        }
        //统计边的条数
        for (int i = 0; i < vlen; i++) {
            for (int j = i + 1; j < vlen; j++) {
                if (this.matrix[i][j] != INF) {
                    edgeNum++;
                }
            }
        }
    }

    public void kruskal() {
        int index = 0; //表示最后结果数组的索引
        int[] ends = new int[edgeNum];//用于保存"已有最小生成数"中的每个顶点在最小生成树中的终点
        //创建结果数组,保存最后的最小生成数
        EDate[] rets = new EDate[edgeNum];

        //获取图中所有集合的边,一共有12条边
        EDate[] edges = getEdges();
        System.out.println("图的边的集合" + Arrays.toString(edges) + "共" + edges.length);

        //按照边的权值大小进行排序(从小到大)
        sortEdges(edges);
        //遍历edges数组,将边添加到最小生成树中,判断是准备加入的边是否形成回路,如果没有,就加入rets,否则就不能加入
        for (int i = 0; i < edgeNum; i++) {
            //获取第i条边的第一个顶点(起点)
            int p1 = getPosition(edges[i].start);
            //获取到第i条边的第2给顶点
            int p2 = getPosition(edges[i].end);

            //获取p1这个顶点在已有最小生成树的终点
            int m = getEnd(ends, p1);
            //获取p2这个顶点在已有最小树中的终点
            int n = getEnd(ends, p2);
            //是否构成回路
            if (m != n) { //没有构成回路
                ends[m] = n;//设置m 在"已有最小生成树"中的终点
                rets[index++] = edges[i]; //有一条边加入到rets数组
            }
        }
        //统计并打印"最小生成树",输出rets
        System.out.println("最小生成树为");
        for (int i = 0; i < index; i++) {
            System.out.println(rets[i]);
        }
    }

    //打印邻接矩阵
    public void print() {
        System.out.println("邻接矩阵为:\n");
        for (int i = 0; i < vertexs.length; i++) {
            for (int j = 0; j < vertexs.length; j++) {
                System.out.printf("%10d\t", matrix[i][j]);
            }
            System.out.println();//换行
        }
    }

    /**
     * 对边进行排序处理,冒泡排序
     *
     * @param edges 边的集合
     */
    private void sortEdges(EDate[] edges) {
        for (int i = 0; i < edges.length - 1; i++) {
            for (int j = 0; j < edges.length - 1 - i; j++) {
                if (edges[j].weight > edges[j + 1].weight) {//交换
                    EDate tmp = edges[j];
                    edges[j] = edges[j + 1];
                    edges[j + 1] = tmp;
                }
            }
        }
    }

    /**
     * @param ch ch顶点的值,比如'A' ,'B'
     * @return 返回ch顶点对应的下标, 如果找不到, 返回-1
     */
    private int getPosition(char ch) {
        for (int i = 0; i < vertexs.length; i++) {
            if (vertexs[i] == ch) { //找到
                return i;
            }
        }
        //找不到,返回-1
        return -1;
    }

    /**
     * 功能:获取图中边,放到EData[]数组中,后面我们需要遍历该数组
     * 是通过matrix 邻接矩阵获取
     * EData[] 形式[['A','B',12],['B','F',7].....]
     * * @return
     */
    private EDate[] getEdges() {
        int index = 0;
        EDate[] edges = new EDate[edgeNum];
        for (int i = 0; i < vertexs.length; i++) {
            for (int j = i + 1; j < vertexs.length; j++) {
                if (matrix[i][j] != INF) {
                    edges[index++] = new EDate(vertexs[i], vertexs[j], matrix[i][j]);
                }
            }
        }
        return edges;
    }

    /**
     * 功能:获取下标为i的顶点的终点,用于后面判断两个终点的顶点是否相同
     *
     * @param ends :数组记录了各个顶点对应的终点是那个,edes,数组遍历过程中,逐步形成的
     * @param i    :表示传入的顶点对应的下标
     * @return 返回的结束下标为i的这个顶点对应的终点的下标
     */
    private int getEnd(int[] ends, int i) {
        while (ends[i] != 0) {
            i = ends[i];
        }
        return i;

    }
}

//创建一个类EDate ,它的对象实例就表示一条表
class EDate {
    char start;//边的一个点
    char end; //边的另一个点
    int weight; //边的权值

    //构造器
    public EDate(char start, char end, int weight) {
        this.start = start;
        this.end = end;
        this.weight = weight;
    }

    //重写toString,便于输出,输出边的信息
    @Override
    public String toString() {
        return "EDate[" + "<" + start + ", " + end + ">=" + weight + "]";
    }
}

三:迪杰斯特拉算法

应用场景-最短路径问题

(1)战争时期，胜利乡有7个村庄(A,B,C,D,E,F, G)，现在有六个邮差，从G点出发，需要分别把邮分别送到A, B,C,D,E,F六个村庄

(2)各个村庄的距离用边线表示(权)，比如A-B距离5公里

(3)问:如何计算出G村庄到其它各个村庄的最短距离?

(4)如果从其它点出发到各个点的最短距离又是多少?

迪杰斯特拉(Dijkstra)算法介绍

       迪杰斯特拉(Dijkstra)算法是典型最短路径算法，用于计算一个结点到其他结点的最短路径。它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想)，直到扩展到终点为止。
 

 迪杰斯特拉(Dijkstra)算法过程

设置出发顶点为v，顶点集合V{v1,v2,vi...}，v到V中各顶点的距离构成距离集Dis,Dis{d1,d2,di...}，Dis集合记录着v到图中各顶点的距离(到自身可以看作0，v到vi距离对应为di)
(1)从Dis中选择值最小的di并移出Dis集合，同时移出v集合中对应的顶点vi，此时的v到vi即为最短路径
(2)更新Dis集合，更新规则为:比较v到V集合中顶点的距离值，与v通过vi到v集合中顶点的距离值保留值较小的一个(同时也应该更新顶点的前驱节点为vi，表明是通过vi到达的)
(3)重复执行两步骤，直到最短路径顶点为目标顶点即可结束

迪杰斯特拉算法最佳应用-最短路径 

图解的方法分析思路

 代码实现

package dijkstra;

import java.util.Arrays;

/**
 * 迪杰斯特拉算法 -最短路径
 */
public class DijkstraAlgorithm {
    public static void main(String[] args) {
        char[] vertex = {'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        //邻接矩阵
        int[][] matrix = new int[vertex.length][vertex.length];
        final int N = 65535;//表示不可连接
        matrix[0] = new int[]{N, 5, 7, N, N, N, 2};
        matrix[1] = new int[]{5, N, N, 9, N, N, 3};
        matrix[2] = new int[]{7, N, N, N, 8, N, N};
        matrix[3] = new int[]{N, 9, N, N, N, 4, N};
        matrix[4] = new int[]{N, N, 8, N, N, 5, 4};
        matrix[5] = new int[]{N, N, N, 4, 5, N, 6};
        matrix[6] = new int[]{2, 3, N, N, 4, 6, N};
        //创建Graph对象
        Graph graph = new Graph(vertex, matrix);
        //测试
        graph.showGraph();
        //测试
        graph.dsj(2);
        graph.showDijkstra();

    }
}

class Graph {
    private char[] vertex;//顶点数组
    private int[][] matrix;//邻接矩阵
    private VisitedVertex vv;//已经访问的顶点集合

    //构造器
    public Graph(char[] vertex, int[][] matrix) {
        this.vertex = vertex;
        this.matrix = matrix;
    }

    //显示图
    public void showGraph() {
        for (int[] link : matrix) {
            System.out.println(Arrays.toString(link));
        }
    }

    //显示结果
    public void showDijkstra() {
        vv.show();
    }

    /**
     * 迪杰斯特拉算法实现
     *
     * @param index 表示出发顶点对应的下标
     */
    public void dsj(int index) {
        vv = new VisitedVertex(vertex.length, index);
        update(index); //更新index顶点到周围顶点的距离
        for (int j = 1; j < vertex.length; j++) {
            index = vv.updateArr(); //选择并返回新的访问结点
            update(index); //跟新index顶点到周围顶点的距离和前驱顶点
        }
    }

    //更新index下标顶点到周围顶点的距离和周围顶点的前驱顶点,
    private void update(int index) {
        int len = 0;
        //根据遍历我们的邻接矩阵的matrix[index]行
        for (int j = 0; j < matrix[index].length; j++) {
            //len 含义是:出发顶点到index顶点的距离+从index顶点到j顶点的距离的和
            len = vv.getDis(index) + matrix[index][j];
            //如果j顶点没有被访问过,并且len小于出发顶点到j顶点的距离,就需要跟新
            if (!vv.in(j) && len < vv.getDis(j)) {
                vv.updatePre(j, index); //跟新j顶点的前驱为index顶点
                vv.updateDis(j, len); //更新出发顶点到j顶点的距离
            }
        }
    }
}

//已访问项点集合
class VisitedVertex {
    //记录各个顶点是否访过1表示访问过,o未访问,会动态更新
    public int[] already_arr;
    //每个下标对应的值为前一个顶点下标,会动态更新
    public int[] pre_visited;
    //记录出发顶点到其他所有顶点的距离,比如G为出发顶点，就会记录G到其它顶点的距离,会动态更新,求的最短距离就会存放到dis
    public int[] dis;

    /**
     * 构造器
     *
     * @param length 表示顶点的个数
     * @param index  出发顶点对应的下标,比如G顶点,下标就是6
     */
    public VisitedVertex(int length, int index) {
        this.already_arr = new int[length];
        this.pre_visited = new int[length];
        this.dis = new int[length];

        //初始化dis数组
        Arrays.fill(dis, 65535);
        this.already_arr[index] = 1;//设置出发顶点被访问过
        this.dis[index] = 0;//设置出发顶点的访问距离为0
    }

    /**
     * 功能:判断index顶点是否被访问过
     *
     * @param index
     * @return 如果访问过, 就返回true, 否则返回false
     */
    public boolean in(int index) {
        return already_arr[index] == 1;

    }

    /**
     * 功能:跟新出发顶点到index顶点的距离
     *
     * @param index
     * @param len
     */
    public void updateDis(int index, int len) {
        dis[index] = len;
    }

    /**
     * 功能:更新pre这个顶点的前驱结点为index顶点
     *
     * @param pre
     * @param index
     */
    public void updatePre(int pre, int index) {
        pre_visited[pre] = index;

    }

    /**
     * 功能:返回出发顶点到index顶点的距离
     *
     * @param index
     */
    public int getDis(int index) {
        return dis[index];
    }

    /**
     * 功能:继续选择并返回新的访问顶点,比如这个的G完后,就是A作为新的访问顶点(注意不是出发顶点)
     *
     * @return
     */
    public int updateArr() {
        int min = 65535, index = 0;
        for (int i = 0; i < already_arr.length; i++) {
            if (already_arr[i] == 0 && dis[i] < min) {
                min = dis[i];
                index = i;
            }
        }
        //跟新index顶点被访问过
        already_arr[index] = 1;
        return index;
    }

    //输出最后的结果
    //即将最后的三个数组的情况输出
    public void show() {
        System.out.println("=========================");
        //输出already_arr
        for (int i : already_arr) {
            System.out.print(i + " ");
        }
        System.out.println();
        //输出pre_visited
        for (int i : pre_visited) {
            System.out.print(i + " ");
        }
        System.out.println();

        //输出dis
        for (int i : dis) {
            System.out.print(i + " ");
        }
        System.out.println();
        //为了好看最后的最短距离,我们处理
        char[] vertex = {'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        int count = 0;
        for (int i : dis) {
            if (i != 65535) {
                System.out.print(vertex[count] + "(" + i + ")");
            } else {
                System.out.println("N");
            }
            count++;
        }
        System.out.println();
    }
}

 四:弗洛伊德算法

弗洛伊德(Floyd)算法介绍

(1)和Dijkstra算法一样，弗洛伊德(Floyd)算法也是一种用于寻找给定的加权图中顶点间最短路径的算法。该算法名称以创始人之一、1978年图灵奖获得者、斯坦福大学计算机科学系教授罗伯特·弗洛伊德命名
(2)弗洛伊德算法(Floyd)计算图中各个顶点之间的最短路径
(3)迪杰斯特拉算法用于计算图中某一个顶点到其他顶点的最短路径。
(4)弗洛伊德算法vS迪杰斯特拉算法:迪杰斯特拉算法通过选定的被访问顶点，求出从出发访问顶点到其他顶点的最短路径;弗洛伊德算法中每一个顶点都是出发访问点，所以需要将每一个顶点看做被访问顶点，求出从每一个顶点到其他顶点的最短路径。
 

 弗洛伊德(Floyd)算法图解分析

(1)设置顶点vi到顶点vk的最短路径已知为Lik，顶点vk到vj的最短路径已知为Lkj，顶点vi到vj的路径为Lij，则vi到vj的最短路径为: min(Lik+Lkj),Lij)，vk的取值为图中所有顶点，则可获得vi到vj的最短路径
(2)至于vi到k的最短路径Lik或者vk到vj的最短路径lkj，是以同样的方式获得3)弗洛伊德(Floyd)算法图解分析-举例说明

弗洛伊德算法最佳应用-最短路径

 (1)胜利乡有7个村庄(A, B,C,D,E,F, G)

(2)各个村压的距离用边线表示(权)，比如A-B距离5公里

(3)问:如何计算出各村庄到其它各村庄的最短距离?

代码实现

package floyd;

import java.util.Arrays;

/**
 * 弗洛伊德算法-最短路径
 */
public class FloydAlgorithm {

    public static void main(String[] args) {
        //测试看看图是否创建成功
        char[] vertex = {'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        //创建邻接矩阵
        int[][] matrix = new int[vertex.length][vertex.length];
        final int N = 65535;
        matrix[0] = new int[]{0, 5, 7, N, N, N, 2};
        matrix[1] = new int[]{5, 0, N, 9, N, N, 3};
        matrix[2] = new int[]{7, N, 0, N, 8, N, N};
        matrix[3] = new int[]{N, 9, N, 0, N, 4, N};
        matrix[4] = new int[]{N, N, 8, N, 0, 5, 4};
        matrix[5] = new int[]{N, N, N, 4, 5, 0, 6};
        matrix[6] = new int[]{2, 3, N, N, 4, 6, 0};

        //创建Graph对象
        Graph graph = new Graph(vertex.length, matrix, vertex);
        //调用弗洛伊德算法
        graph.floyd();
        graph.show();
    }
}

//创建图
class Graph {
    private char[] vertex; //存放顶点的数组
    private int[][] dis; //保存,从各个顶点出发到其他顶点的距离,最后结果,也是保存在该数组
    private int[][] pre; //保存到达目标顶点的前驱顶点

    /**
     * 构造器
     *
     * @param length 大小
     * @param matrix 邻接矩阵
     * @param vertex 顶点数组
     */
    public Graph(int length, int[][] matrix, char[] vertex) {
        this.vertex = vertex;
        this.dis = matrix;
        this.pre = new int[length][length];
        //对pre数组初始化,注意存放的是前驱顶点的下标
        for (int i = 0; i < length; i++) {
            Arrays.fill(pre[i], i);
        }
    }

    //显示pre数组和dis数组
    public void show() {
        //为了显示方便阅读,我们优化一下输出
        char[] vertex = {'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        for (int k = 0; k < dis.length; k++) {
            //先将pre数组输出一行
            for (int i = 0; i < dis.length; i++) {
                System.out.print(vertex[pre[k][i]] + " ");
            }
            System.out.println();
            //输出dis数组的一行数据
            for (int i = 0; i < dis.length; i++) {
                System.out.print("(" + vertex[k] + "到" + vertex[i] + "的最短路径是" + dis[k][i] + " )");
            }
            System.out.println();
            System.out.println();
        }
    }

    //弗洛伊德算法,容易理解,容易实现
    public void floyd() {
        int len = 0;//变量保存距离
        //对中间顶点遍历,k 就是中间顶点的下标
        for (int k = 0; k < dis.length; k++) {
            //从i顶点开始出发[A,B,C,D,E,F,G]
            for (int i = 0; i < dis.length; i++) {
                //到达j顶点
                for (int j = 0; j < dis.length; j++) {
                    len = dis[i][k] + dis[k][j]; //=>从i顶点出发,经过k中间顶点,到达j顶点距离
                    if (len < dis[i][j]) {//如果len小于dis[i][j]
                        dis[i][j] = len;//更新距离
                        pre[i][j] = pre[k][j];//更新前驱结点
                    }
                }
            }
        }
    }
}

五:马踏棋盘算法

马踏棋盘算法介绍

(1)马踏棋盘算法也被称为骑士周游问题

(2)将马随机放在国际象棋的8×8棋盘Board[0～~7][0～7]的某个方格中，马按走棋规则(马走日字)进行移动。要求每个方格只进入一次，走遍棋盘上全部64个方格

马踏棋盘游戏代码实现

(1)马踏棋盘问题(骑士周游问题)实际上是图的深度优先搜索(DFS)的应用。
(2)如果使用回溯（就是深度优先搜索）来解决，假如马儿踏了53个点，如图:走到了第53个，坐标(1,0），发现已经走到尽头，没办法，那就只能回退了，查看其他的路径，就在棋盘上不停的回溯…..，

思路分析

 
(3)分析第一种方式的问题，并使用贪心算法( greedyalgorithm)进行优化。解决马踏棋盘问题.

 (4)使用前面的游戏来验证算法是否正确。

 代码实现:

package horse;

import java.awt.*;
import java.util.ArrayList;
import java.util.Comparator;


/**
 * 马踏棋盘算法--深度优先
 */
public class HorseChessboard {

    private static int X; //棋牌的列数
    private static int Y; //棋牌的行数
    //创建一个数组,标记棋牌各个位置是否被访问过
    private static boolean visited[];
    //使用一给属性,标记是否棋牌所有位置都被访问了
    private static boolean finished;//如果为true,表示成功

    public static void main(String[] args) {
        System.out.println("骑士周游算法,开始运行~~~");
        //测试骑士周游算法是否正确
        X = 8;
        Y = 8;
        int row = 1; //马儿初始位置的行,从1开始编号
        int column = 1;//马儿初始的位置的列,从1开始编号
        //创建棋牌
        int[][] chessboard = new int[X][Y];
        visited = new boolean[X * Y]; //初始值都是false
        //测试一下耗时
        long start = System.currentTimeMillis();
        traversalChessborad(chessboard, row - 1, column - 1, 1);
        long end = System.currentTimeMillis();
        System.out.println("共耗时" + (end - start) + "毫秒");

        //输出棋牌的最后情况
        for (int[] rows : chessboard) {
            for (int step : rows) {
                System.out.print(step + "\t");
            }
            System.out.println();
        }
    }

    /**
     * 完成骑士周游问题的算法
     *
     * @param chessboard 棋牌
     * @param row        马儿当前的位置的行从 0开始
     * @param column     马儿当前位置的列 从0开始
     * @param step       是第几步,初始位置计算第1步
     */
    public static void traversalChessborad(int[][] chessboard, int row, int column, int step) {
        chessboard[row][column] = step;
        visited[row * X + column] = true; //标记该位置已经访问
        //获取当前位置可以走的下一个位置的集合
        ArrayList<Point> ps = next(new Point(column, row));
        //对ps进行排序,排序的规则就是对ps的所有的Point对象的下一步的位置的数目,进行非递减排序
        sort(ps);
        //遍历ps
        while (!ps.isEmpty()) {
            Point p = ps.remove(0);//取出下一个可以走的位置
            //判断该点是否已经访问过
            if (!visited[p.y * X + p.x]) {//说明还没有访问过
                traversalChessborad(chessboard, p.y, p.x, step + 1);
            }
        }
        //判断马儿是否完成任务,使用step和应该走的步数比较
        //如果没有达到数量,则表示没有完成任务,将整个棋牌置为0
        //说明:step < X * Y 成立的情况有两种
        //1.棋牌到目前位置,仍然没有走完
        //2.棋牌处于一个回溯过程
        if (step < X * Y && !finished) {
            chessboard[row][column] = 0;
            visited[row * X + column] = false;
        } else {
            finished = true;
        }
    }

    /**
     * 功能:根据当前位置(Point对象),计算马儿还能走那些位置(Point),并放入到一个集合中(ArrayList),最多8给位置
     *
     * @param curPoint
     * @return
     */
    public static ArrayList<Point> next(Point curPoint) {
        //创建一个ArrayList
        ArrayList<Point> ps = new ArrayList<>();
        //创建一个Point
        Point p1 = new Point();
        //表示马儿可以走5这个位置
        if ((p1.x = curPoint.x - 2) >= 0 && (p1.y = curPoint.y - 1) >= 0) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走6这个位置
        if ((p1.x = curPoint.x - 1) >= 0 && (p1.y = curPoint.y - 2) >= 0) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走7这个位置
        if ((p1.x = curPoint.x + 1) < X && (p1.y = curPoint.y - 2) >= 0) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走0这个位置
        if ((p1.x = curPoint.x + 2) < X && (p1.y = curPoint.y - 1) >= 0) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走1这个位置
        if ((p1.x = curPoint.x + 2) < X && (p1.y = curPoint.y + 1) < Y) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走2这个位置
        if ((p1.x = curPoint.x + 1) < X && (p1.y = curPoint.y + 2) < Y) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走3这个位置
        if ((p1.x = curPoint.x - 1) >= 0 && (p1.y = curPoint.y + 2) < Y) {
            ps.add(new Point(p1));
        }
        //判断马儿能不能走4这个位置
        if ((p1.x = curPoint.x - 2) >= 0 && (p1.y = curPoint.y + 2) < Y) {
            ps.add(new Point(p1));
        }
        return ps;
    }

    //根据当前这个一步的所有的下一步的选择位置,进行非递减排序,,减少回溯次数
    public static void sort(ArrayList<Point> ps) {
        ps.sort(new Comparator<Point>() {

            @Override
            public int compare(Point o1, Point o2) {
                //获取到o1的下一步的所有位置个数
                int count1 = next(o1).size();
                //获取到o2的下一步的所有位置个数
                int count2 = next(o2).size();
                if (count1 < count2) {
                    return -1;
                } else if (count1 == count2) {
                    return 0;
                } else {
                    return 1;
                }
            }
        });
    }
}