天勤——图选择题整理

记得老师说过学习要有钻研精神，凡事要多问为什么。这里整理了近日做题出现的一些疑问。方便日后回顾。

1，什么是相邻和序偶？

图的路径是：由相邻顶点序偶所形成的序列。
翻译：路径就是由一个个相互邻接节点构成的有序对<x1,x2>，<x2,x3>，…$<x_{n-1},x_n>$，组成的序列。
1，相邻
这里相邻我认为应该指两个顶点相互邻接；A与B相邻，暗有A、B邻接之意。

2，序偶：
序:有序
偶:双数；成对的（跟“奇（jī）”相对）（怎么感觉在上语文课）

序偶:一对有序的数.

如: <a,b>是序偶, <b,a>也是序偶,两者是不同的.

如果两个数无序,则称为无序偶.
表示为(a,b)；(a,b)和(b,a)是相同的.

2，组合数是什么？在无向图中的应用？

组合数：从n个不同元素中取出m(m≤n)个元素的所有组合的个数，叫做从n个不同元素中取出m个元素的组合数。公式如下：

在无向图中，两个节点之间一定是形成一条无向边。也就是说：V1-V2之间只算一条边。

已知无向图有n个顶点，计算图最多的边数。易知此时每两个节点之间都有一条边。
那么可以利用组合数计算。套用组合数公式：
$C_n^2=n(n-1)/2$

3，连通n个节点有向图，最少需要n个结点？

v1 v2 … vn
从v1依次指向vn，最后vn指回v1
v1->v2->…vn;vn->v1

4，完全图是什么？

有向图：每两个顶点之间都有两条方向相反的边连接；n(n-1)条边
无向图：每两个顶点之间都有一条边连接；n(n-1)/2条边

5，连通分量与连通子图？

1，连通是什么？

连通图，任意两个顶点之间都连通
强连通图，任意两个顶点之间都有边连接（a->b b->a)

2，讨论范围

首先我们先明确一下，连通图是在无向图中进行讨论的。强连通图是在有向图中进行讨论的

3，连通分量

无向图中极大连通子图（两节点之间有边）就是连通分量；
有向图中极大强连通子图（两个节点之间互相连通）就是强连通分量

注意：
① 任何连通图的连通分量只有一个，即是其自身
② 非连通的无向图有多个连通分量。
③n个节点的无向图最少1个连通分量，最多n个连通分量。
　
下图是无向非连通图，它有三个连通分量

下图是有向非连通图，它有两个强连通分量

4，连通子图

子图，就是说一个图的边集和点集都是另外一个图的子集。

极大，可以理解为节点极大。
如下图，0-1虽然也是连通子图，但不是极大连通子图。这是因为我们还可以添加2，使0-1-2成为连通子图。而0-1-2是极大连通子图，因为我们无法再扩充一个节点构建连通子图。

极小连通子图：此时如果删除一条边，就无法连通（或者说构成树）;如果添加一条边就会有环。

5，强连通子图

极大强连通子图：无法再添加一个节点，构成连通子图

如1-2-3是一个强连通子图，但是不是极大强联通子图，因为还可以添加一个3，使1-2-3-4为强连通子图。而1-2-3-4是极大强连通子图，因为无法再添加其他节点构建强连通子图。

注意：
1，连通图的极大强连通子图为其本身。（是唯一的）
2，非强连通图有多个极大强连通子图。
3，极大强连通子图最多有n（n-1）条边，最少有n条边

不存在极小强连通子图这个概念

6，拓扑排序如何判断有向图有环？

判断有向图有没有环可以利用拓扑排序和深度优先遍历算法。
拓扑排序，寻找一个入度为0的节点删去该节点，所有该节点指向的节点入度减1。如果所有节点被删除则无环。如果有剩余的节点则有环。

如：V1-V2-V3有环，则入度都为1，则拓扑排序到这里就找不到一个入度为0的节点，无法继续下去。

7，BFS计算最短路径为什么不能用于带权且权值不等的图？

与深度优先不同，广度优先遍历是先遍历完最近的节点，逐步向远处节点遍历（通过队列实现，一个节点出队时遍历，然后将其邻近点入队）
BFS计算最短路径时，只能用于单源无权的情况，即，只能计算某一个节点到其他节点的最短距离。

BFS计算最短路径必须权值相等，或者无权值。因为BFS是以边为单位计算距离，认为越邻近的话实际距离也越近。
如果权值不同，可能某一节点距离起始点要进过很多节点，但实际距离却很近。造成了误差。

8，图主要算法的时间复杂度？

前提：假设一个图的节点有V个，边有E条。

1，广度优先遍历
主要时间开销在于访问节点和探索边。
①对于邻接矩阵而言，需要访问v个节点，且对每个顶点都需要访问v次寻找边（遍历矩阵的一行）；则时间复杂度为$O(|V^2|)$
②对于邻接表，也需要访问v个节点，但邻接表不会存储没有邻接的情况，因此寻找边的时候只需访问2e次（无向图）。则时间复杂度为$O(|V|+|E|)$

2，深度优先遍历
主要时间开销也是访问节点和探索边。
与广度优先遍历类似，只是访问的顺序有些差别。
邻接矩阵为$O(V^2)$，邻接表为$O(|V|+|E|)$

3，最小生成树
①Prim（普里姆）算法
从某一顶点开始构建生成树，寻找所有与该节点相邻的边，找到最小的，将其指向的节点纳入树中。下一轮就遍历树中两个节点的相邻边，找最小的。以此类推。

具体代码是利用一个lowcost数组记录各节点加入树的最低成本，lowcost初始化为起始节点到邻接点边的权值；每有一个新节点加入树，就要更新lowcost数组。

则该算法主要时间开销为遍历V个节点，且每次遍历节点都要更新lowcost数组（V次，因为还要判断该节点是不是已经访问过）。其实就是两层嵌套循环，因此该算法的时间复杂度为$O(|V^2|)$，主要适合边稠密的图

①Kruskal（克鲁斯卡尔）算法
每次选一条权值最小的边加入树，如果这条边的两个节点已经在树中连通了就跳过，直到树所有节点都连通。

把边按权值递增排序，依次遍历每条边，遍历E轮，判断该边两顶点是否连通（并查集），每次时间复杂度为$O(lo{g}^{|E|})$。则时间复杂度为：$O(|E|lo{g}^{|E|})$。

Kruskal算法主要针对边来展开，边数较少时效率非常高，所以对于稀疏图有很大的优势；

4，最短路径
①Dijstra
使用数组final[]记录是否找到到起始点的最短路径，dist[]记录到起始点的路径长度，path记录路径前驱。

初始化，根据与起始点的邻接关系更新距离，路径等信息，邻接就更新为权值，否则更新为INF。
起始点v0，final[v0]=true；dist[v0]=0;path[v0]=-1;
其余点vi，final[vi]=false;dist[vi]=arcs[v0][vi];path[vi]=if(dist[v0][vi]==INF)?-1:0;

n-1轮遍历，循环遍历final和dist数组，找到为false且距离最短的节点v；final[v]更新为true；检查所有与v相邻的节点，对没有访问且过v的距离小于原始距离的，更新距离和访问情况。

易知，该算法主要有两个部分，首先要进行n-1轮循环，遍历除起始点外的所有节点。每轮循环又要遍历final数组和相邻节点（2n）；则时间复杂度为o($n^2$)。

②Floyd
用矩阵记录，A[]记录任意两点最短路径长度，path[]记录任意两点之间经过的中间节点。
三层循环，从外向内依次是中间点，起点和终点。
依次读取每一个点作为中间点，然后矩阵所有点（i，j），检测经过中间点的路径长度是否小于原始路径长度；如果是就修改A和path。

因此时间复杂度为o($n^3$)。

5，拓扑排序
扫描所有顶点，入度为0的入栈。
栈不为空就执行循环，把节点依次出栈，将此节点指向的点入度减一；并再将入度为0且没有入过栈的入栈。

所有节点都要入栈（n）；对边处理，邻接点入度减一，为0的入栈。因此算法核心还是处理点和边。

①对于邻接矩阵而言，时间复杂度为$O(|V^2|)$
②对于邻接表，时间复杂度为$O(|V|+|E|)$

6，关键路径
O(n+e)

9，关键路径唯一吗？

关键路径（不一定唯一，但长度相等）：源点到终点的最长路径

关键路径是矩阵中最大路径长度的路径。
求关键路径：
求节点（事件）发生的最早时间（起点为0，后面加上指向该节点路径权值中的最大值）和最迟时间（从终点开始，减去从该点出发的路径权值的最小值）
求路径（活动）发生的最早和最迟时间
求时间余量（）

10，对角矩阵是什么？

只有对角线上有非0元素的矩阵称为对角矩阵

11，最小生成树？

一个有 n 个结点的连通图的生成树是原图的极小连通子图，且包含原图中的所有 n 个结点，并且有保持图连通的最少的边。

12，关键路径如何加快工期？

1，求关键路径
先求节点的最早和最迟发生时间。最早完成时间就是从起点开始按拓扑排序顺序计算，起始点时间为0，其余时间为上一节点时间+活动持续时间（边权值），有多个的话取最大值；最迟发生时间则是从终点逆推，为当前节点最早完成时间-权值，有多个就取最小值
然后求活动的最早和最迟完成时间，最早发生时间就是活动起始节点的最早发生时间。最迟发生时间是从最后一个活动开始，由活动的指向节点的最迟发生时间-权值（活动持续时间）
最后将活动最迟发生时间-最早发生时间，为0的就是关键路径

2，加快工期的节点
求出一个AOE网的关键路径后，可通过加快关键活动（即缩短它的持续时间）来实现缩短整个工程的工期。但并不是加快任何一个关键活动都可以缩短其整个工程的工期，只有加快那些包括在所有关键路径上的关键活动才能达到这个目的。

除了a之外都是关键路径，则同时加快d和f就可以提前工期。因为在关键路径节点3处的两个分叉，无论走那边都进过了d、f。
如果选f、c，那么e时间不变，节点5的完成时间还是不会改变，工程时间不变。

13，拓扑排序

就是在图中找一个无入度的节点，然后从图中删除，将其指向的节点入度减一。然后再次寻找无入度的节点，依次循环。