图的定义:
很简单,G(V,E), V、E分别表示点和边的集合。
图的表示:
主要有两种,邻接矩阵和邻接表,前者空间复杂度,O(V2),后者为O(V+E)。因此,除非非常稠密的图(边非常多),一般后者优越于前者。
图的遍历:
宽度遍历BFS(start): (1) 队列Q=Empty,数组bool visited[V]={false...}. Q.push(start);
(2) while (!Q.empty()){
u = Q.pop(); visited[u] = true; //遍历u结点
foreach (u的每一个邻接结点v) Q.push(v);
}
深度遍历DFS(start): (1) 栈S=Empty, 数组bool visited[V]={false...}. S.push(start);
(2) while (!S.empty()){
u = S.pop();
if (!visited[u]) visited[u] = true; //遍历u结点
foreach (u的每一个邻接结点v) S.push(v);
}
初看之下两个算法很相似,主要区别在于一个使用队列,一个使用栈,最终导致了遍历的顺序截然不同。队列是先入先出,所以访问u以后接下来就访问u中未访问过的邻接结点;而栈的后进先出,当访问u后,压入了u的邻接结点,在后面的循环中,首先访问u的第一个临接点v,接下来又将v的邻接点w压入S,这样接下来要访问的自然是w了。
最小生成树:
(1)Prime算法: (1) 集合MST=T=Empty,选取G中一结点u,T.add(u)
(2) 循环|V|-1次:
选取一条这样的边e=min{(x,y) | x in T, y in V/T}
T.add(y); MST.add(e);
(3) MST即为所求
(2) Kruskal算法 (1) 将G中所有的边排序并放入集合H中,初始化集合MST=Empty,初始化不相交集合T={{v1}, {v2}...}},也即T中每个点为一个集合。
(2) 依次取H中的最短边e(u,v),如果Find-Set(u)!=Find-Set(v)(也即u、v是否已经在一棵树中),那么Union(u,v) (即u,v合并为一个集合),MST.add(e);
(3) MST即为所求
这两个算法都是贪心算法,区别在于每次选取边的策略。证明该算法的关键在于一点:如果MST是图G的最小生成树,那么在子图G'中包含的子生成树MST' 也必然是G'的最小生成树。这个很容易反正,假设不成立,那么G'有一棵权重和更小的生成树,用它替换掉MST',那么对于G我们就找到了比MST更小的生成树,显然这与我们的假设(MST是最小生成树)矛盾了。
理解了这个关键点,算法的正确性就好理解多了。对于Prime,T于V/T两个点集都会各自有一棵生成树,最后要连起来构成一棵大的生成树,那么显然要选两者之间的最短的那条边了。对于Kruskal算法,如果当前选取的边没有引起环路,那么正确性是显然的(对给定点集依次选最小的边构成一棵树当然是最小生成树了),如果导致了环路,那么说明两个点都在该点集里,由于已经构成了树(否则也不可能导致环路)并且一直都是挑尽可能小的,所以肯定是最小生成树。
最短路径:
这里的算法基本是基于动态规划和贪心算法的,经典算法有很多个,主要区别在于:有的是通用的,有的是针对某一类图的,例如,无负环的图,或者无负权边的图等。
单源最短路径(1) 通用(Bellman-Ford算法):
(2) 无负权边的图(Dijkstra算法):
(3) 无环有向图(DAG) :
所有结点间最短路径:
(1) Floyd-Warshall算法:
(2) Johnson算法:
关键路径:
又一个很讨巧的做法,把所有边的权重取反,然后求最短路径。
拓扑排序:
图算法总结
最新推荐文章于 2024-04-01 09:00:00 发布