数据结构图

qnbk

已于 2022-09-26 14:29:12 修改

阅读量389

点赞数 3

分类专栏： C++ 数据结构文章标签：邻接矩阵邻接表图深度优先广度优先

于 2022-05-27 16:00:15 首次发布

本文链接：https://blog.csdn.net/weixin_53946312/article/details/125001386

版权

C++ 同时被 2 个专栏收录

54 篇文章 0 订阅

订阅专栏

数据结构

51 篇文章 3 订阅

订阅专栏

图

基本概念

图是由顶点集合及顶点间的关系组成的一种数据结构：G = (V， E)，
其中：
顶点集合V = {x|x属于某个数据对象集}是有穷非空集合；
E = {(x,y)|x,y属于V}或者E = {<x, y>|x,y属于V && Path(x, y)}是顶点间关系的有穷集合，也叫做边的集合。
(x, y)表示x到y的一条双向通路，即(x, y)是无方向的；Path(x, y)表示从x到y的一条单向通路，即Path(x, y)是有方向的。
**顶点和边：图中结点称为顶点，**第i个顶点记作vi。两个顶点vi和vj相关联称作顶点vi和顶点vj之间有一条边， 图中的第k条边记作ek，ek = (vi，vj)或<vi，vj>。

边：两个顶点+权值

有向图和无向图：在有向图中，顶点对<x, y>是有序的，顶点对<x，y>称为顶点x到顶点y的一条边(弧)，<x, y>和<y, x>是两条不同的边，在无向图中，顶点对(x, y)是无序的，顶点对(x,y)称为顶点x和顶点y相关联的一条边，这条边没有特定方向，(x, y)和(y，x)是同一条边，注意：无向边(x,y)等于有向边<x, y>和<y, x>。

G1和G2为无向图。
在这里插入图片描述
G3为有向图。

完全图：在有n个顶点的无向图中，若有n * (n-1)/2条边，即任意两个顶点之间有且仅有一条边，则称此图为无向完全图，如图G1；在n个顶点的有向图中，若有n * (n-1)条边，即任意两个顶点之间有且仅有方向相反的边，则称此图为有向完全图,如图G4

在这里插入图片描述
邻接顶点：在无向图中G中，若(u, v)是E(G)中的一条边，则称u和v互为邻接顶点，并称边(u,v)依附于顶点u和v；在有向图G中，若<u, v>是E(G)中的一条边，则称顶点u邻接到v，顶点v邻接自顶点u，并称边<u, v>与顶点u和顶点v相关联

顶点的度：顶点v的度是指与它相关联的边的条数，记作deg(v)。在有向图中，顶点的度等于该顶点的入度与出度之和，其中顶点v的入度是以v为终点的有向边的条数，记作indev(v);顶点v的出度是以v为起始点的有向边的条数，记作outdev(v)。因此：dev(v) = indev(v) + outdev(v)。注意：对于无向图，顶点的度等于该顶点的入度和出度，即dev(v) = indev(v) = outdev(v)。

路径： 在图G = (V， E)中，若从顶点vi出发有一组边使其可到达顶点vj，则称顶点vi到顶点vj的顶点序列为从顶点vi到顶点vj的路径。

路径长度： 对于不带权的图，一条路径的路径长度是指该路径上的边的条数；对于带权的图，一条路径的路径长度是指该路径上各个边权值的总和。

在这里插入图片描述
简单路径与回路：若路径上各顶点v1，v2，v3，…，vm均不重复，则称这样的路径为简单路径。若路径上第一个顶点v1和最后一个顶点vm重合，则称这样的路径为回路或环。

子图：设图G = {V, E}和图G1 = {V1，E1}，若V1属于V且E1属于E，则称G1是G的子图。
在这里插入图片描述
连通图：在无向图中，若从顶点v1到顶点v2有路径，则称顶点v1与顶点v2是连通的。如果图中任意一对顶点都是连通的，则称此图为连通图。

强连通图：在有向图中，若在每一对顶点vi和vj之间都存在一条从vi到vj的路径，也存在一条从vj到 vi的路径，则称此图是强连通图。

生成树：一个连通图的最小连通子图称作该图的生成树。有n个顶点的连通图的生成树有n个顶点和n- 1条边。

图的存储结构

因为图中既有节点，又有边(节点与节点之间的关系)，因此，在图的存储中，只需要保存：节点和边关系即可。节点保存比较简单，只需要一段连续空间即可

邻接矩阵

因为节点与节点之间的关系就是连通与否，即为0或者1，因此邻接矩阵(二维数组)即是：先用一个数组将定点保存，然后采用矩阵来表示节点与节点之间的关系。
在这里插入图片描述

注意：

无向图的邻接矩阵是对称的，第i行(列)元素之和，就是顶点i的度。有向图的邻接矩阵则不一定是对称的，第i行(列)元素之后就是顶点i的出(入)度。
如果边带有权值，并且两个节点之间是连通的，上图中的边的关系就用权值代替，如果两个顶点不通，则使用无穷大代替。
用邻接矩阵存储图的有点是能够快速知道两个顶点是否连通，缺陷是如果顶点比较多，边比较少时，矩阵中存储了大量的0成为系数矩阵，比较浪费空间，并且要求两个节点之间的路径不

在这里插入图片描述

#pragma once
#include <iostream>
#include <vector>
#include <string>
#include <map>
#include <queue>
using namespace std;

namespace Matrix//邻接矩阵
{
	template<class V, class W,bool Direction = false>//默认是无向
	class Graph
	{
	public:
		Graph(const V* vertexs, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; i++)
			{
				_vertexs.push_back(vertexs[i]);
				_VIndexMap[_vertexs[i]] = i;
			}
			_matrix.resize(n);
			for (auto& e : _matrix)
			{
				e.resize(n);
			}
		}
		size_t GetVertexIndex(const V& v)//得到顶点的下标
		{
			auto ret = _VIndexMap.find(v);
			if (ret !=  _VIndexMap.end())
			{
				return ret->second;
			}
			else
			{
				throw invalid_argument("不存在顶点");
				return -1;

			}

		}
		void AddEdge(const V& src,const V& dst,const W& w)//添加边
		{
			size_t srcindex = GetVertexIndex(src);
			size_t dstindex = GetVertexIndex(dst);

			_matrix[srcindex][dstindex] = w;
			if (Direction == false)
			{
				_matrix[dstindex][srcindex] = w;
			}
			
		}
		void BFS(const V& src)
		{
			size_t srcindex = GetVertexIndex(src);
			vector<bool> visited;//顶点有没有被访问过
			visited.resize(_vertexs.size(),false);

			queue<int> q;
			q.push(srcindex);
			visited[srcindex] = true;
			size_t d = 1;
			size_t dSize = 1;
			while (!q.empty())
			{
				size_t front = q.front();
				q.pop();
				printf("%s的%d度:\n", src.c_str(), d);
				while (dSize--)
				{
					for (size_t i = 0; i < _vertexs.size(); i++)
					{
						if (visited[i] == false && _matrix[srcindex][i] != W())
						{
							printf("[%d:%s] ", i, _vertexs[i].c_str());
							visited[i] = true;
							q.push(i);
						}
					}					
				}
				dSize = q.size();
				++d;
				std::cout << std::endl;
			}
			
		}
		void _DFS(size_t  srcIndex,vector<bool> visited)
		{
			printf("[%d:%s]->", srcIndex, _vertexs[srcIndex].c_str());
			visited[srcIndex] = true;
			for (size_t i = 0; i < _vertexs.size(); i++)
			{
				if (visited[i] == false && _matrix[srcIndex][i] != W())
				{
					_DFS(i, visited);
				}
			}
		}
		void DFS(const V& src)
		{
			size_t srcindex = GetVertexIndex(src);
			vector<bool> visited;//顶点有没有被访问过
			visited.resize(_vertexs.size(), false);

			_DFS(srcindex, visited);
		}
	private:
		vector<V> _vertexs;//顶点集合
		vector<vector<W>> _matrix;//存储边的集合的矩阵
		map<string, int> _VIndexMap;//顶点和下标之间的映射关系
	};
}

优势： 1、快速找到两个顶点之间的边 2、适合于边比较多的图劣势：要找一个顶点连出去的边O(N)

邻接表

邻接表：使用数组表示顶点的集合，使用链表表示边的关系。类似哈希桶，把一个相连的边用链式结构挂在后面

无向图邻接表存储：
在这里插入图片描述

无向图中同一条边在邻接表中出现了两次。如果想知道顶点vi的度，只需要知道顶点vi边链表集合中结点的数目即可。

有向图邻接表存储：
在这里插入图片描述

注意：有向图中每条边在邻接表中只出现一次，与顶点vi对应的邻接表所含结点的个数，就是该顶点的出度，也称出度表，要得到vi顶点的入度，必须检测其他所有顶点对应的边链表，看有多少边顶点的dst取值是i。

namespace LinkTable//邻接表
{
	template<class W>
	struct LinkEdge//邻接边
	{
		int _srcIndex;
		int _dstIndex;
		W _w;
		LinkEdge<W>* _next;
		LinkEdge(const W& w)
			:_srcIndex(-1)
			, _dstIndex(-1)
			, _w(w)
			, _next(nullptr)
		{

		}
	};
	template<class V, class W, bool Direction = false>//默认是无向
	class Graph
	{
		typedef LinkEdge<W> Edge;
	public:
		Graph(const V* vertexs, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; i++)
			{
				_vertexs.push_back(vertexs[i]);
				_VIndexMap[_vertexs[i]] = i;
			}
			_linktable.resize(n, nullptr);
		}
		size_t GetVertexIndex(const V& v)//得到顶点的下标
		{
			auto ret = _VIndexMap.find(v);
			if (ret != _VIndexMap.end())
			{
				return ret->second;
			}
			else
			{
				throw invalid_argument("不存在顶点");
				return -1;

			}

		}
		void AddEdge(const V& src, const V& dst, const W& w)//添加边
		{
			size_t srcindex = GetVertexIndex(src);
			size_t dstindex = GetVertexIndex(dst);

			Edge* sd_edge = new Edge(w);
			sd_edge->_srcIndex = srcindex;
			sd_edge->_dstIndex = dstindex;
			//头插
			sd_edge->_next = _linktable[srcindex];
			_linktable[srcindex] = sd_edge;

			if (Direction == false)
			{
				//无向图
				Edge* ds_edge = new Edge(w);
				ds_edge->_srcIndex = dstindex;
				ds_edge->_dstIndex = srcindex;
				ds_edge->_next = _linktable[dstindex];
				_linktable[dstindex] = ds_edge;
			}

		}
	private:
		vector<V> _vertexs;//顶点集合
		map<string, int> _VIndexMap; //顶点和下标之间的映射关系
		vector<Edge*> _linktable;//边的集合的邻接表
	};
}

优势： 1、快速找到相连的点 2、适合于边比较少的图劣势：确认两个点是否相连是O(N)

图的遍历

给定一个图G和其中任意一个顶点v0，从v0出发，沿着图中各边访问图中的所有顶点，且每个顶点仅被遍历一次。"遍历"即对结点进行某种操作的意思。

图的广度优先遍历

在这里插入图片描述

include <iostream>
#include <vector>
#include <string>
#include <map>
#include <queue>
using namespace std;

namespace Matrix//邻接矩阵
{
	template<class V, class W,bool Direction = false>//默认是无向
	class Graph
	{
	public:
		Graph(const V* vertexs, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; i++)
			{
				_vertexs.push_back(vertexs[i]);
				_VIndexMap[_vertexs[i]] = i;
			}
			_matrix.resize(n);
			for (auto& e : _matrix)
			{
				e.resize(n);
			}
		}
		size_t GetVertexIndex(const V& v)//得到顶点的下标
		{
			auto ret = _VIndexMap.find(v);
			if (ret !=  _VIndexMap.end())
			{
				return ret->second;
			}
			else
			{
				throw invalid_argument("不存在顶点");
				return -1;

			}

		}
		void AddEdge(const V& src,const V& dst,const W& w)//添加边
		{
			size_t srcindex = GetVertexIndex(src);
			size_t dstindex = GetVertexIndex(dst);

			_matrix[srcindex][dstindex] = w;
			if (Direction == false)
			{
				_matrix[dstindex][srcindex] = w;
			}
			
		}
		void BFS(const V& src)
		{
			size_t srcindex = GetVertexIndex(src);
			vector<bool> visited;//顶点有没有被访问过
			visited.resize(_vertexs.size(),false);

			queue<int> q;
			q.push(srcindex);
			visited[srcindex] = true;
			size_t d = 1;
			size_t dSize = 1;
			while (!q.empty())
			{
				size_t front = q.front();
				q.pop();
				printf("%s的%d度:\n", src.c_str(), d);
				while (dSize--)
				{
					for (size_t i = 0; i < _vertexs.size(); i++)
					{
						if (visited[i] == false && _matrix[srcindex][i] != W())
						{
							printf("[%d:%s] ", i, _vertexs[i].c_str());
							visited[i] = true;
							q.push(i);
						}
					}					
				}
				dSize = q.size();
				++d;
				std::cout << std::endl;
			}
			
		}
	private:
		vector<V> _vertexs;//顶点集合
		vector<vector<W>> _matrix;//存储边的集合的矩阵
		map<string, int> _VIndexMap;//顶点和下标之间的映射关系
	};

	void Test()
	{
		string a[] = { "zs", "ls", "ww", "zl" ,"mk"};
		Graph<string, int> g1(a, sizeof(a) / sizeof(string));
		g1.AddEdge("zs","ls",100);
		g1.AddEdge("zs", "ww",200);
		g1.AddEdge("ww", "zl",300);
		g1.AddEdge("ww", "mk", 300);
		g1.BFS("zs");

	}
}

在这里插入图片描述

图的深度优先

在这里插入图片描述

#pragma once
#include <iostream>
#include <vector>
#include <string>
#include <map>
#include <queue>
using namespace std;

namespace Matrix//邻接矩阵
{
	template<class V, class W,bool Direction = false>//默认是无向
	class Graph
	{
	public:
		Graph(const V* vertexs, size_t n)
		{
			_vertexs.reserve(n);
			for (size_t i = 0; i < n; i++)
			{
				_vertexs.push_back(vertexs[i]);
				_VIndexMap[_vertexs[i]] = i;
			}
			_matrix.resize(n);
			for (auto& e : _matrix)
			{
				e.resize(n);
			}
		}
		size_t GetVertexIndex(const V& v)//得到顶点的下标
		{
			auto ret = _VIndexMap.find(v);
			if (ret !=  _VIndexMap.end())
			{
				return ret->second;
			}
			else
			{
				throw invalid_argument("不存在顶点");
				return -1;

			}

		}
		void AddEdge(const V& src,const V& dst,const W& w)//添加边
		{
			size_t srcindex = GetVertexIndex(src);
			size_t dstindex = GetVertexIndex(dst);

			_matrix[srcindex][dstindex] = w;
			if (Direction == false)
			{
				_matrix[dstindex][srcindex] = w;
			}
			
		}
		void BFS(const V& src)
		{
			size_t srcindex = GetVertexIndex(src);
			vector<bool> visited;//顶点有没有被访问过
			visited.resize(_vertexs.size(),false);

			queue<int> q;
			q.push(srcindex);
			visited[srcindex] = true;
			size_t d = 1;
			size_t dSize = 1;
			while (!q.empty())
			{
				size_t front = q.front();
				q.pop();
				printf("%s的%d度:\n", src.c_str(), d);
				while (dSize--)
				{
					for (size_t i = 0; i < _vertexs.size(); i++)
					{
						if (visited[i] == false && _matrix[srcindex][i] != W())
						{
							printf("[%d:%s] ", i, _vertexs[i].c_str());
							visited[i] = true;
							q.push(i);
						}
					}					
				}
				dSize = q.size();
				++d;
				std::cout << std::endl;
			}
			
		}
		void _DFS(size_t  srcIndex,vector<bool> visited)
		{
			printf("[%d:%s]->", srcIndex, _vertexs[srcIndex].c_str());
			visited[srcIndex] = true;
			for (size_t i = 0; i < _vertexs.size(); i++)
			{
				if (visited[i] == false && _matrix[srcIndex][i] != W())
				{
					_DFS(i, visited);
				}
			}
		}
		void DFS(const V& src)
		{
			size_t srcindex = GetVertexIndex(src);
			vector<bool> visited;//顶点有没有被访问过
			visited.resize(_vertexs.size(), false);

			_DFS(srcindex, visited);
		}
	private:
		vector<V> _vertexs;//顶点集合
		vector<vector<W>> _matrix;//存储边的集合的矩阵
		map<string, int> _VIndexMap;//顶点和下标之间的映射关系
	};

	void Test()
	{
		string a[] = { "zs", "ls", "ww", "zl" ,"mk"};
		Graph<string, int> g1(a, sizeof(a) / sizeof(string));
		g1.AddEdge("zs","ls",100);
		g1.AddEdge("zs", "ww",200);
		g1.AddEdge("ww", "zl",300);
		g1.AddEdge("ww", "mk", 300);
		
		g1.DFS("zs");

	}
}

在这里插入图片描述

最小生成树

连通图中的每一棵生成树，都是原图的一个极大无环子图，即：从其中删去任何一条边，生成树就不在连通；反之，在其中引入任何一条新边，都会形成一条回路。

若连通图由n个顶点组成，则其生成树必含n个顶点和n-1条边。
构造最小生成树的准则：

只能使用图中的边来构造最小生成树
只能使用恰好n-1条边来连接图中的n个顶点
选用的n-1条边不能构成回路

构造最小生成树的方法：Kruskal算法和Prim算法。这两个算法都采用了逐步求解的贪心策略。
贪心算法：是指在问题求解时，总是做出当前看起来最好的选择。也就是说贪心算法做出的不是整体最优的的选择，而是某种意义上的局部最优解。贪心算法不是对所有的问题都能得到整体最优解。

Kruskal算法

任给一个有n个顶点的连通网络N={V,E}，
首先构造一个由这n个顶点组成、不含任何边的图G={V,NULL}，其中每个顶点自成一个连通分量，
其次不断从E中取出权值最小的一条边(若有多条任取其一)，若该边的两个顶点来自不同的连通分量，则将此边加入到G中。
如此重复，直到所有顶点在同一个连通分量上为止。核心：每次迭代时，选出一条具有最小权值，且两端点不在同一连通分量上的边，加入生成树。

思路：每次都去选剩下的边里面的最小的边去加入生成树，看是否构成循环，不构成环，就加入；构成环就不加入，直到选出N-1条边
在这里插入图片描述
实现角度：建议并查集
1、先判断加入的边的两个顶点在不在一个集合中，在-》加入构成环
2、加入的边，就把它的两个顶点合并

用最少的边，联通顶点，且边的权值加起来是最小的

W Kruskal(Self& minTree)
{
     minTree._vertexs = _vertexs;
     minTree._vIndexMap = _vIndexMap;
     minTree._matrix.resize(_vertexs.size());
     for (auto& e : minTree._matrix)
     {
         e.resize(_vertexs.size(), MAX_W);
     }
     priority_queue<Edge, vector<Edge>, greater<Edge>> pq;
     for (size_t i = 0; i < _matrix.size(); ++i)
     {
         for (size_t j = 0; j < _matrix[i].size(); ++j)
         {
             if (i < j && _matrix[i][j] != MAX_W)
             {
                 pq.push(Edge(i, j, _matrix[i][j]));
             }
         }
     }
     W total = W();
     // 贪心算法，从最小的边开始选
     size_t i = 1;
     UnionFindSet ufs(_vertexs.size());
     while (i < _vertexs.size() && !pq.empty())
     {
         Edge min = pq.top();
         pq.pop();
         // 边不在一个集合，说明不会构成环，则添加到最小生成树
         if (ufs.FindRoot(min._srci) != ufs.FindRoot(min._dsti))
         {
             //cout << _vertexs[min._srci] << "-" << _vertexs[min._dsti] << 
":" << _matrix[min._srci][min._dsti] << endl;
             minTree._AddEdge(min._srci, min._dsti, min._w);
             total += min._w;
             ufs.Union(min._srci, min._dsti);
             ++i;
         }
     }
     if (i == _vertexs.size())
     {
         return total;
     }
     else
     {
         return W();
     }
}

Prime算法

在这里插入图片描述
区别：

选取最小的那条边
已选好的边里面的顶点的邻接中最小的边–天然避开环

W Prim(Self& minTree, const W& src)
		{
			size_t srci = GetVertexIndex(src);
			size_t n = _vertexs.size();

			minTree._vertexs = _vertexs;
			minTree._indexMap = _indexMap;
			minTree._matrix.resize(n);
			for (size_t i = 0; i < n; ++i)
			{
				minTree._matrix[i].resize(n, MAX_W);
			}

			/*set<int> X;
			set<int> Y;
			X.insert(srci);
			for (size_t i = 0; i < n; ++i)
			{
				if (i != srci)
				{
					Y.insert(i);
				}
			}*/

			vector<bool> X(n, false);
			vector<bool> Y(n, true);
			X[srci] = true;
			Y[srci] = false;

			// 从X->Y集合中连接的边里面选出最小的边
			priority_queue<Edge, vector<Edge>, greater<Edge>> minq;
			// 先把srci连接的边添加到队列中
			for (size_t i = 0; i < n; ++i)
			{
				if (_matrix[srci][i] != MAX_W)
				{
					minq.push(Edge(srci, i, _matrix[srci][i]));
				}
			}

			cout << "Prim开始选边" << endl;
			size_t size = 0;
			W totalW = W();
			while (!minq.empty())
			{
				Edge min = minq.top();
				minq.pop();

				// 最小边的目标点也在X集合，则构成环
				if (X[min._dsti])
				{
					//cout << "构成环:";
					//cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
				}
				else
				{
					minTree._AddEdge(min._srci, min._dsti, min._w);
					//cout << _vertexs[min._srci] << "->" << _vertexs[min._dsti] << ":" << min._w << endl;
					X[min._dsti] = true;
					Y[min._dsti] = false;
					++size;
					totalW += min._w;
					if (size == n - 1)
						break;

					for (size_t i = 0; i < n; ++i)
					{
						if (_matrix[min._dsti][i] != MAX_W && Y[i])
						{
							minq.push(Edge(min._dsti, i, _matrix[min._dsti][i]));
						}
					}
				}
			}

			if (size == n - 1)
			{
				return totalW;
			}
			else
			{
				return W();
			}
		}

最短路径

单源最短路径径–Dijkstra算法

最短路径问题：从在带权图的某一顶点出发，找出一条通往另一顶点的最短路径，最短也就是沿路径各边的权值总和达到最小。

单源最短路径问题：给定一个图G = ( V ， E ) G=(V，E)G=(V，E)，求源结点s ∈ V s∈Vs∈V到图中每个结点v ∈ V v∈Vv∈V的最短路径。Dijkstra算法就适用于解决带权重的有向图上的单源最短路径问题，同时算法要求图中所有边的权重非负。一般在求解最短路径的时候都是已知一个起点和一个终点，所以使用Dijkstra算法求解过后也就得到了所需起点到终点的最短路径。

针对一个带权有向图G，将所有结点分为两组S和Q，S是已经确定最短路径的结点集合，在初始时为空（初始时就可以将源节点s放入，毕竟源节点到自己的代价是0），Q 为其余未确定最短路径的结点集合，每次从Q中找出一个起点到该结点代价最小的结点u ，将u 从Q 中移出，并放入S 中，对u 的每一个相邻结点v进行松弛操作。松弛即对每一个相邻结点v ，判断源节点s到结点u 的代价与u 到v 的代价之和是否比原来s 到v的代价更小，若代价比原来小则要将s 到v 的代价更新为s 到u 与u 到v 的代价之和，否则维持原样。如此一直循环直至集合Q 为空，即所有节点都已经查找过一遍并确定了最短路径，至于一些起点到达不了的结点在算法循环后其代价仍为初始设定的值，不发生变化。Dijkstra算法每次都是选择V-S中最小的路径节点来进行更新，并加入S中，所以该算法使用的是贪心策略。

一个源点跟图中其他所有点相连的最短路径
Dijkstra算法存在的问题是不支持图中带负权路径，如果带有负权路径，则可能会找不到一些路
径的最短路径。

依次找里0距离最短的邻接顶点来松弛更新

// 顶点个数是N  -> 时间复杂度：O（N^2）空间复杂度：O（N）
		void Dijkstra(const V& src, vector<W>& dist, vector<int>& pPath)
		{
			size_t srci = GetVertexIndex(src);
			size_t n = _vertexs.size();
			dist.resize(n, MAX_W);
			pPath.resize(n, -1);

			dist[srci] = 0;
			pPath[srci] = srci;

			// 已经确定最短路径的顶点集合
			vector<bool> S(n, false);

			for (size_t j = 0; j < n; ++j)
			{
				// 选最短路径顶点且不在S更新其他路径
				int u = 0;
				W min = MAX_W;
				for (size_t i = 0; i < n; ++i)
				{
					if (S[i] == false && dist[i] < min)
					{
						u = i;
						min = dist[i];
					}
				}

				S[u] = true;
				// 松弛更新u连接顶点v  srci->u + u->v <  srci->v  更新
				for (size_t v = 0; v < n; ++v)
				{
					if (S[v] == false && _matrix[u][v] != MAX_W
						&& dist[u] + _matrix[u][v] < dist[v])
					{
						dist[v] = dist[u] + _matrix[u][v];
						pPath[v] = u;
					}
				}
			}
		}

单源最短路径–Bellman-Ford算法

Dijkstra算法只能用来解决正权图的单源最短路径问题，但有些题目会出现负权图。这时这个算法就不能帮助我们解决问题了，而bellman—ford算法可以解决负权图的单源最短路径问题。它的优点是可以解决有负权边的单源最短路径问题，而且可以用来判断是否有负权回路。它也有明显的缺点，它的时间复杂度 O(N*E) (N是点数，E是边数)普遍是要高于Dijkstra算法O(N²)的。像这里如果我们使用邻接矩阵实现，那么遍历所有边的数量的时间复杂度就是O(N^3)，这里也可以看出来Bellman-Ford就是一种暴力求解更新。

// 时间复杂度：O(N^3) 空间复杂度：O（N）
		bool BellmanFord(const V& src, vector<W>& dist, vector<int>& pPath)
		{
			size_t n = _vertexs.size();
			size_t srci = GetVertexIndex(src);

			// vector<W> dist,记录srci-其他顶点最短路径权值数组
			dist.resize(n, MAX_W);

			// vector<int> pPath 记录srci-其他顶点最短路径父顶点数组
			pPath.resize(n, -1);

			// 先更新srci->srci为缺省值
			dist[srci] = W();

			//cout << "更新边：i->j" << endl;


			// 总体最多更新n轮
			for (size_t k = 0; k < n; ++k)
			{
				// i->j 更新松弛
				bool update = false;
				cout << "更新第:" << k << "轮" << endl;
				for (size_t i = 0; i < n; ++i)
				{
					for (size_t j = 0; j < n; ++j)
					{
						// srci -> i + i ->j
						if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])
						{
							update = true;
							cout << _vertexs[i] << "->" << _vertexs[j] << ":" << _matrix[i][j] << endl;
							dist[j] = dist[i] + _matrix[i][j];
							pPath[j] = i;
						}
					}
				}

				// 如果这个轮次中没有更新出更短路径，那么后续轮次就不需要再走了
				if (update == false)
				{
					break;
				}
			}


			// 还能更新就是带负权回路
			for (size_t i = 0; i < n; ++i)
			{
				for (size_t j = 0; j < n; ++j)
				{
					// srci -> i + i ->j
					if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])
					{
						return false;
					}
				}
			}

			return true;
		}

多源最短路径–Floyd-Warshall算法

多源最短路指的是执行一次该算法之后，我们能得到任意点之间的最短路径，

Floyd-Warshall算法是解决任意两点间的最短路径的一种算法。
Floyd算法考虑的是一条最短路径的中间节点，即简单路径p={v1,v2,…,vn}上除v1和vn的任意节
点。
设k是p的一个中间节点，那么从i到j的最短路径p就被分成i到k和k到j的两段最短路径p1，p2。p1
是从i到k且中间节点属于{1，2，…，k-1}取得的一条最短路径。p2是从k到j且中间节点属于{1，
2，…，k-1}取得的一条最短路径。

在这里插入图片描述

图里面任意两个顶点之间最短路径

在这里插入图片描述

矩阵来表示图中任意两点之间的距离

//图中任意两点，借助k为中转点找更新
//中转点 k = 1，2，3 ...
for (int k = 0; k < n; k++)
{
	for (int i = 0; i < n; i++)
	{
		for (int j = 0; j < n; j++)
		{
			if (e[i][k] + e[k][j] < e[i][j])
			{
				e[i][j] = e[i][k] + e[k][j];
			}
		}
	}
}

void FloydWarshall(vector<vector<W>>& vvDist, vector<vector<int>>& vvpPath)
		{
			size_t n = _vertexs.size();
			vvDist.resize(n);
			vvpPath.resize(n);

			// 初始化权值和路径矩阵
			for (size_t i = 0; i < n; ++i)
			{
				vvDist[i].resize(n, MAX_W);
				vvpPath[i].resize(n, -1);
			}

			// 直接相连的边更新一下
			for (size_t i = 0; i < n; ++i)
			{
				for (size_t j = 0; j < n; ++j)
				{
					if (_matrix[i][j] != MAX_W)
					{
						vvDist[i][j] = _matrix[i][j];
						vvpPath[i][j] = i;
					}

					if (i == j)
					{
						vvDist[i][j] = W();
					}
				}
			}

			// abcdef  a {} f ||  b {} c
			// 最短路径的更新i-> {其他顶点} ->j
			for (size_t k = 0; k < n; ++k)
			{
				for (size_t i = 0; i < n; ++i)
				{
					for (size_t j = 0; j < n; ++j)
					{
						// k 作为的中间点尝试去更新i->j的路径
						if (vvDist[i][k] != MAX_W && vvDist[k][j] != MAX_W
							&& vvDist[i][k] + vvDist[k][j] < vvDist[i][j])
						{
							vvDist[i][j] = vvDist[i][k] + vvDist[k][j];

							// 找跟j相连的上一个邻接顶点
							// 如果k->j 直接相连，上一个点就k，vvpPath[k][j]存就是k
							// 如果k->j 没有直接相连，k->...->x->j，vvpPath[k][j]存就是x

							vvpPath[i][j] = vvpPath[k][j];
						}
					}
				}

				// 打印权值和路径矩阵观察数据
				for (size_t i = 0; i < n; ++i)
				{
					for (size_t j = 0; j < n; ++j)
					{
						if (vvDist[i][j] == MAX_W)
						{
							//cout << "*" << " ";
							printf("%3c", '*');
						}
						else
						{
							//cout << vvDist[i][j] << " ";
							printf("%3d", vvDist[i][j]);
						}
					}
					cout << endl;
				}
				cout << endl;

				for (size_t i = 0; i < n; ++i)
				{
					for (size_t j = 0; j < n; ++j)
					{
						//cout << vvParentPath[i][j] << " ";
						printf("%3d", vvpPath[i][j]);
					}
					cout << endl;
				}
				cout << "=================================" << endl;
			}
		}

	private:
		vector<V> _vertexs;			// 顶点集合
		map<V, int> _indexMap;		// 顶点映射下标
		vector<vector<W>> _matrix;  // 邻接矩阵
	};