数据结构图之上吊攻略

最新推荐文章于 2024-05-10 16:55:00 发布

置顶闲狗

最新推荐文章于 2024-05-10 16:55:00 发布

阅读量1.4k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：数据结构

本文链接：https://blog.csdn.net/wydyd110/article/details/82944392

数据结构专栏收录该内容

34 篇文章

订阅专栏

六度分割理论（小世界理论，六度空间理论）：你和任何一个陌生人之间所间隔的人不会超过六个，也就是说，最多通过五个中间人你就能够认识任何一个陌生人。

从陈家庄到张家村，怎么走最快呢？怎么修公路使得村村通的花费最少呢？

以上例子都是图在实际中的应用。

1 图的定义与术语

1.1 无向图

1.2 有向图（directed graph）

（1）有向图

（2）有向完全图

（3）有向树

1.3 标号图(labeled graph)

1.4 带权图(weighted graph)

（2）无向图连通分支=连通分量=极大连通子图

（3）生成树=极小连通子图

（4）有向图强连通

2.0 顶点的度

2.1 网络（Activity On Vertex，AOV）

2 图的存储结构

2.1 相邻矩阵（adjacency matrix，或邻接矩阵）

（1）有向图的相邻矩阵

（2）无向图的相邻矩阵

2.2 邻接表( adjacency list )

2.3 十字链表 (Orthogonal List)

3 图的遍历(graph traversal)

3.1 深度优先遍历（depth-first search，DFS）

3.2 广度优先遍历(breadth-first search，BFS)

4 拓扑排序(topological sort)

4.1 基本定义

4.2 关键路径-AOE网

5 最短路径

5.1 单源最短路径(single-source shortest paths)

5.1.1 Dijkstra算法

5.2 每对结点间的最短路径

5.2.1 Floyd算法

6 最小生成树(minimum-cost spanning tree， MST)

6.1 贪心算法

6.2 Prim 算法

6.3 Kruskal 算法

1 图的定义与术语

一种“多对多”的关系。

采用G= (V，E) 表示
—— V 是顶点 (vertex) 集合
—— E 是边 (edge) 的集合

1.1 无向图

（1）

无向图的边数：0≤e≤n(n-1)/2

（2）无向完全图

无向完全图(Undirected Complete Graph)：恰有n(n-1)/2条边的无向图

1.2 有向图（directed graph）

（1）有向图

有向图的边数：0≤e≤n(n-1)

（2）有向完全图

有向完全图(Directed Complete Graph)：恰有n(n-1)条边的有向图

（3）有向树

有向树：有一个顶点的入度为0，其余顶点的入度均为1的有向图。

1.3 标号图(labeled graph)

1.4 带权图(weighted graph)

1.5 顶点的度

1.6 子图

1.7 回路 (cycle，也称为环)

回路：起点等于终点的路径

n个顶点n条边的无向图一定是有环的。
判断有向图中是否存在回路，可以利用拓扑排序，还可以利用深度优先遍历

简单路径：路径序列中，顶点不重复出现的路径。最短路径一定是简单路径。

简单回路：除第一个顶点和最后一个顶点外，其余顶点不重复出现的回路。

1.8 有根图（树，森林）

1.9 连通系列

（1）连通

对无向图 G= (V，E) 而言，如果从 V1 到 V2 有一条路径 (从 V2 到 V1 也一定有一条路径) ，则称 V1 和V2 是连通的 (connected)

若无向图G中，任意两个顶点都是连通的，则称图G为连通图。

若一个图有n个顶点，且边数小于n-1，此图必为非连通图。

（2）无向图连通分支=连通分量=极大连通子图

n个顶点的无向连通图，边数至少为n-1，至多为n(n-1)/2。

具有n个顶点的无向图，当有(n-1)(n-2) /2+1条边时能确保是一个连通图。

（3）生成树=极小连通子图

连通图的生成树：包含图中全部顶点的一个极小连通图。
若图中顶点数为n，则其生成树边数为n-1。
砍掉生成树一条边，就会变成非连通图。加上一条边就会形成一个回路。
具有n个顶点的图是一个环，去掉其中任意条边便是一棵生成树，则它有n棵生成树。

（4）有向图强连通

有n个顶点的强连通图最多有n（n-1）条边

最少有n条边

2.0 顶点的度

（1）

（2）

（3）

想要交一个家里有矿的好gay友，这样就不用学数据结构了。

2.1 网络（Activity On Vertex，AOV）

2 图的存储结构

2.1 相邻矩阵（adjacency matrix，或邻接矩阵）

（1）有向图的相邻矩阵

（2）无向图的相邻矩阵

对于无向图的存储，可以省一半空间

2.2 邻接表( adjacency list )

（1）无向图的邻接表表示

边数*2 = 边表结点数（每条边在邻接表中存储两次）

（2）带权图的邻接表表示

（3）有向图的邻接表（出边表）

边数 = 边表结点数

（4）有向图的逆邻接表（入边表）

2.3 十字链表 (Orthogonal List)

十字链表 (Orthogonal List) 可以看成是邻接表和逆邻接表的结合

参考：《高级数据结构之猝死攻略（一）》

3 图的遍历(graph traversal)

给出一个图G和其中任意一个顶点V0，从V0出发系统地访问G中所有的顶点，每个顶点访问而且只访问一次

会遇到的问题：

（1）从一顶点出发，可能不能到达所有其它的顶点
如:非连通图
（2）也有可能会陷入死循环
如:存在回路的图

解决办法：

（1）为每个顶点保留一个 标志位 (mark bit)
（2）算法开始时，所有顶点的标志位置零
（3）在遍历的过程中，当某个顶点被访问时，其标志位就被标记为已访问

3.1 深度优先遍历（depth-first search，DFS）

类似于树的先序遍历

3.2 广度优先遍历(breadth-first search，BFS)

类似于树的层序遍历

总结

图的广度优先生成树的树高小或等于深度优先生成树的树高

4 拓扑排序(topological sort)

4.1 基本定义

如果图中从V到W有一条有向路径，则V一定排在W之前。满足此条件的顶点序列称为一个拓扑序列
获得一个拓扑序的过程就是拓扑排序
AOV如果有合理的拓扑序，则必定是有向无环图（Directed Acyclic Graph, DAG）

网络（AOV）为带权的连通图

栗子1：

栗子2

栗子3

拓扑排序的时间复杂度

4.2 关键路径-AOE网

拓扑排序主要用于解决一个工程能否顺利进行，但有时我们还需解决工程完成所需要的最短时间问题。好比求汽车厂造一辆车，最短需要多少时间？

AOE网（Activity On Edge Network）：每条边代表一个活动。

栗子1：

4要等1，2，5都完工了才能进行。

整个工期为18天。

机动时间（从后往前推）：找出哪些组是不用赶工的。

栗子2：

路径长度：路径上各个活动所持续的时间之和。

关键路径：从源点到汇点具有最大长度的路径。绝对不允许延误的活动组成的路径。没有机动时间的组组成的路径。

—— 图中，开始 - 发动机完成 - 部件集中到位 - 组装完成就是关键路径。

—— 路径长度为5.5

关键活动：关键路径上的活动。

5 最短路径

5.1 单源最短路径(single-source shortest paths)

从某固定源点出发，求其到所有其他顶点的最短路径。

5.1.1 Dijkstra算法

（1）

毋庸置疑，顶点v0到v1的最短路径为1

由于顶点v1还与v2,v3,v4连线，因此可同时求得

v0->v1->v2=1+3=4

v0->v1->v3=1+7=8

v0->v1->v4=1+5=6

此时，v0到v2的最短路径为4而非5。

（2）

由于顶点v2还与v4，v5连线，因此可求得

v0->v1->v2->v4=5要比v0->v2->v4=5+1=6小

所以v0到v4的最小路径为5。

其他同理。过程都是基于已经求出的最短路劲的基础上，求得更远顶点的最短路径。

总结

Dijkstra不支持负权值

代码实现

class Dist{//用于保存最短路径信息
public:
    int index;//结点的索引值，仅Dijkstra算法用到
    int length;//当前最短路径长度
    int pre;//路径最后经过的点
};
void dijkstra(Graph &G, int s, Dist &D){//s是源点
    D = new Dist[G.verticesNum()];//记录当前最短路径长度
    for(int i = 0; i < G.verticesNum(); i++){//初始化
        G.Mark[i] = UNVISTED;
        D[i].index = i;
        D[i].length = INFINITE;//无穷的
        D[i].pre = s;
    }
    D[s].length = 0;//源点到自身的路径长度置为0
    MinHeap<Dist> H(G.edgesNum());//最小值堆用于找出最短路径
    H.insert(D[s]);
    for(i=0; i < G.verticesNum(); i++){
        bool FOUND = false;
        Dist d;
        while(!H.isEmpty()){
            d = H.removeMin();//获得到s路径长度最小的结点
            if(G.Mark[d.index] == UNVISITED){//如果未访问过就跳出循环
                FOUND = true;break;
            }
        }
        if(!FOUND) break;//若没有符合条件的最短路径则跳出本次循环
        int v = d.index;
        G.Mark[v] = VISITED;//若标记位设置为VISITED
        for(Edge e = G.firstEdge(v); G.isEdge(e); e=G.nextEdge(e)){//刷新最短路
           if (D[G.toVertex(e)].length > (D[v].length+G.weight(e))) {  
                   D[G.toVertex(e)].length = D[v].length + G.Weight(e); 
                   D[G.toVertex(e)].pre = v; 
                   H.insert(D[G.toVertex(e)]);
            } 
        }
    }
}

5.2 每对结点间的最短路径

求任意两顶点间的最短路径

5.2.1 Floyd算法

基本思想

Floyd算法定义了两个二维矩阵：

（1）矩阵D记录顶点间的最小路径
例如D[0][3]= 10，说明顶点0 到 3 的最短路径为10；
（2）矩阵P记录顶点间最小路径中的中转点
例如P[0][3]= 1 说明，0 到 3的最短路径轨迹为：0 -> 1 -> 3。（1为中转点）

它通过3重循环，k为中转点，v为起点，w为终点，循环比较D[v][w] 和 D[v][k] + D[k][w] 最小值，如果D[v][k] + D[k][w] 为更小值，则把D[v][k] + D[k][w] 覆盖保存在D[v][w]中。