《算法导论3rd第二十二章》基础的图算法

最新推荐文章于 2024-03-16 11:41:54 发布

懒猫gg

最新推荐文章于 2024-03-16 11:41:54 发布

阅读量813

点赞数

分类专栏： # 算法导论文章标签：算法导论第二十二章基本图算法

本文链接：https://blog.csdn.net/y3over/article/details/121984592

版权

算法导论专栏收录该内容

26 篇文章 17 订阅

订阅专栏

前言

图算法对于计算机学科至关重要。成百上千的计算问题最后都可以归约为图论问题。本章主要介绍图的表示和图的搜索。

图的表示

对于图G=(V,E)可以用两种标准表示方法表示：

邻接链表，因为在表示稀疏图（边的条数|E|远远小于 $V|^2$ 的图）时非常紧凑而成为通常的选择。
邻接矩阵，在稠密图（|E|接近 $V|^2$ 的图）的情况下，倾向于该表示法。

邻接链表表示由一个包含|V|条链表的数组Adj所构成，每个结点有一条链表。对于每个结点，邻接链表Adj[u]包含所有与结点u之间有边相连的结点v，即Adj[u]包含图G中所有与u邻接的结点。

邻接链表的表示法也有着潜在的不足之处是无法快速判断一条边(u, v)是否是图中的一条边。唯一的办法是在Adj[u]里面搜索v结点。邻接矩阵则客服的了这个缺陷，但是付出的代价是更大的存储空间。
对于无向图来说，邻接矩陈还有一个优势：第个记录项只需要1位的空间

广度优先搜索

对于图G,广度优先搜索算法需要在发现所有距离源结点s为k的所有结点之后，才会发现距离源结点s为k+1的其他结点。
在这里插入图片描述

# u.d记录的是广度优先搜索算法所计算出的从源点s到结点u之间的距离。
# u.π记录u的前驱结点。
BFS(G, s)
    for each vertex u∈G.V - {s}
        u.color = White
        u.d = ∞
        d.π = NIL
    s.color = Gray
    u.d = 0
    d.π = NIL
    Q = ∅
    EnQueue(Q, s)
    while Q != ∅
        u = DeQueue(Q)
        for each v∈G.Adj[u]
            if v.color == White
                v.color = Gray
                v.d = u.d + 1
                v.π = u
                EnQueue(Q, v)
        u.color = Black

广度优先搜索算法可以得到从源顶点s到所有可达顶点的最短距离v.d。同时，该算法能够构造出广度优先树。下面的代码为打印一颗广度优先树中，源节点s到任意结点v的路径：

PRINT-PATH(G, s, v)
   if v == s
      print s
   else  if v.π == NIL
      print “nopath from” s “to” v “exists”
   else PRINT-PATH(G, s, v.π)
      print v

深度优先搜索

对于图G,深度优先搜索总是对最近才发现的结点v的出发边进行探索，直到该结点的所有出发边都被发现为止。一旦结点v的所有出发边都被发现，搜索则“回溯”到v的前驱结点，来搜索前驱结点的出发边。
在这里插入图片描述

# u.d表示u结点开始搜索的时间 
# u.f表示u结点结束搜索的时间 
DFS(G)
    for each vertex u∈G.V
        u.color = White
        u.π = NIL
    time = 0
    for each vertex u∈G.V
        if u.color == White
            DFS-Visit(G, u)

DFS-Visit(G, u)
    time = time + 1         // white vertex u has just been discovered
    u.d = time
    u.color = Gray
    for each v∈G.Adj[u]     // explore edge(u, v)
        if v.color == White
            v.π = u
            DFS-Visit(G, v)
    u.color = Black         // black u, it is finished
    time = time + 1
    u.f = time

深度优先搜索算法的运行时间为θ(V+E)。

深度优先搜索的性质

深度优先搜索生成的前驱子图可能由多棵树组成，因为搜索可能从多个源结点重复进行。即深度优先森林。
深度优先搜索的一个重要特性是发现和完成时间具有括号结构。
在这里插入图片描述

图b是图a根据发现时间和结束时间的时序

对于图G,根据发现结速时间，总结三大性质：

性质1：在对有向图或无向图G = (V, E)进行的任意DFS过程中，对于任意两个节点u和v来说，下面三种情况只有一种成立：
- a：区间[u.d, u.f]和区间[v.d, v.f]完全分离，在深度优先森林中，节点u不是节点v的后代，节点v也不是节点u的后代。
- b：区间[u.d, u.f]包含在区间[v.d, v.f]中，在深度优先树中，节点u是节点v的后代。
- c：区间[v.d, v.f]包含在区间[u.d, u.f]中，在深度优先树中，节点v是节点u的后代。
性质二：在有向或无向图G的深度优先森林中，节点v是节点u的真后代当且仅当u.d < v.d <v.f < u.f成立。
性质三：在有向或无向图G = (V, E)的深度优先森林中，节点v是节点u的后代，当且仅当在时间u.d，存在一条从节点u到节点v的全部由白色节点所构成的路径。

边的分类

深度优先搜索的另一个有趣的性质是，可以通过搜索来对输入图G=（V, E）的边进行分类：

在这里插入图片描述

树边：为深度优先森林Gπ中的边。如果结点v是因算法对边(u, v)的探索而首先被发现，则(u, v)是一条树边。
前向边（上图灰色虚线）：从某个点到它的某个子孙节点的边。这种边相当于提供某种“捷径”，在这个问题里不太重要，即使把它们全部删去，对于连通性也没什么影响。
后向边（上图绿色虚线）：从某个点到它的某个祖先节点的边。这种边就是产生环的原因，如果删去所有反向边，那么原图会成为有向无环图。
横叉边（上图蓝色虚线）：从某个点到一个既非它子孙节点、也非它祖先节点的边。这种边本身不产生环，但是它可能把两个强连通子图“连接”起来，形成一个更大的强连通子图。

反向边和横叉边都有一个特点：起点的dfs序必然大于终点的dfs序。

性质四：在对无向图G进行DFS时，每条边要么是树边，要么是后向边

拓扑排序

对于一个有向无环图G = （V，E）来说，其拓扑排序是G中所有结点的一种线性次序，该次序满足如下条件：如果图G包含边（u, v），则结点u在拓扑排序中处于结点v的前面。
在这里插入图片描述
拓扑排序就是将节点按完成时间进行降序排序

Topological-Sort(G)
    call DFS(G) to compute finishing times v.f for each vertex v as each vertex is finished, insert it onto the front of a linked list
    return  the linked list of vertices

强连通分量

如果一个有向图中任意两个顶点互相可达，则称该有向图是强连通的。
有向图G=(V, E)的强连通分量是一个最大节点集合 $C\in V$ ，对于该集合中的任意一对节点u和v来说，路径u->v和路径v->u同时存在，即节点u和v可以相互抵达.
在这里插入图片描述
Kosaraju算法其实比较容易理解，它使用了两次DFS，算法的主要过程也就是这两次DFS: