图数据结构（浙大版）

图表示多对多的关系，而线性表表示的是一对一的关系，树是一对多的关系。

所以图非常强大，线性表和树都可以是认为图的一种特殊情况

 图包含哪些呢？

1.一组顶点：用V（Vertex）vert转+ex，转肯定是绕着一个顶点转的，非常棒！

它是表示顶点的集合

2.一组边：用E（Edge）表示边的集合

        边是顶点对：如上图v,w属于V

顶点对就是一个边，用像坐标一样的形式来表示：(v, w)属于E

1. 此时这个边为：无向边，这个无所谓方向的，v能找w玩，w也能找v玩。

无向边用圆括号，很圆润，所以很温柔，都可以来玩。

2.有向边<v,w>表示从v指向w的边（单行线）

 不考虑重边和自回路

 重边就是两个结点之间不可以重复出现边，自回路，就是没有自己到自己的情况。

抽象数据类型定义

1.类型名称：图(Graph)

2.数据对象集：G(V,E)由一个非空的有限顶点集合V和一个有限边集合E组成。

在边上标上数字，这个数字就叫权重

 有权重的图就变成了网络。

 

 用一个二维数组G[i][j]，如果<Vi, Vj>是G中的边，那智能G[i][j] = 1，否则为0，二维数组中为1即有一条边。

特征：1.主对角线必为0，此时为自回路的情形。

2.矩阵关于主对角线对称，把一条边存了两次

缺点：浪费了一半的空间。

so,对于无向图的存储，怎么省下一半的空间呢？ 

 

邻接矩阵的好处

1.简单、直观、好理解

2.方便检查任意一对顶点之间是否存在边

3.方便找任一顶点的所有“邻接点”，邻接点：有边直接和它相连的顶点。

4.方便计算任一顶点的“度”，图的度是说与这个顶点相关的所有边的个数。

对于有向图来说，有两个概念

        从这个结点发出的边的个数叫做“出度”，指向这个结点的边的个数称为：入度

无向图：对应行或列的非0元素的个数

有向图：对于行非0元素的个数为“出度”，对应列的非0元素的个数是“入度”

邻接矩阵的缺点

1.浪费空间——存稀疏图（点很多但边很少），会存在大量无效元素

但是，对于稠密图（特别是完全图【给了你n个顶点，任意两个顶点之间都有一条边，边数达到极大值时】）还是很合算的。

2.浪费时间

当统计稀疏图当中有多少条边时

为解决邻接矩阵的缺点，有了另外一种表示法：邻接表 

G[N]为指针数组，对应矩阵每行的一个链表，只存非0元素。

 邻接表的表示法是不唯一的，因为与0相邻接的结点可以是1，3也可是是3，1

对于网络，结构中还要添加权重的域。

 对于邻接表，一定要够稀疏才合算！！！

邻接表好处

1.方便寻找任一顶点的所有“邻接点”

2.节约稀疏图的空间

        需要n个头指针 + 2个结点的大小（每个结点至少有2个域，网络有3个域）

3.方便计算任一顶点的度吗？度是说与这个顶点的边的个数

        1）对于无向图：是的

        2）对于有向图：

        缺陷：只能计算“出度”，

        需要构造“逆邻接表”（存指向自己的边）来计算“入度”

 缺点：不方便检查任意一对顶点之间是否存在边

图的遍历：把图当中所有顶点访问一遍（不能有重复的访问）

深度优先搜索（Depth First Search）depth = deep + th

 

 广度优先搜索（Breadth First Search）(BFS)

bread(宽的) + th（性质） 宽度

 

1.连通：如果从V到W存在一条（无向）路径，则称V和W是连通的。

2.路径：V到W的路径是一系列顶点｛V,v1,v2, ... , vn, W｝的集合，其中任意一对相邻的顶点都有图中的边。

3.路径的长度：是路径中的边数（如果带权，则是所有边的权重和）。

4.简单路径：如果V到W之间的所有顶点都不同。

5.不简单路径：含有回路的路径

6.回路：起点等于终点的路径

7.连通图：图中任意两顶点均连通。

 1.连通分量：无向图的极大连通子图

        1.极大顶点数：再加1个顶点就不连通了

        2.极大边数：包含子图中所有顶点相连的所有边

注意：这个极大并非是数量上的极大，而是使其连通的顶点的极大，有可能有多个

2.子图：包含了图的一部分边和一部分顶点

1.强连通：有向图中顶点V和W之间存在双向路径，则称V和W是强连通的。

2.强连通图：有向图中任意两个顶点均强连通

3.弱连通图：有向图中任意两个顶点不是均强连通

4.强连通分量：有向图的极大强连通子图