-
图的定义:图(Graph)是由顶点(Vertex)和边(Edge)组成的数学结构具体概念见图的论述.
-
图的存储
- 邻接矩阵:图的邻接矩阵是一种用于表示图的存储结构,其中矩阵的行数和列数都对应于图的顶点,矩阵的元素表示顶点之间的边。在邻接矩阵中,如果顶点i与顶点j之间存在边,则矩阵的第i行第j列(记作aij)处的元素为1(或边的权重),否则为0。
- 邻接表:邻接表是图的一种存储方式,用于表示图中的顶点之间的连接关系。在邻接表中,每个顶点都有一个列表,该列表包含了与该顶点直接相连的所有顶点。
- 十字链表:十字链表是一种存储无向图或正则图的数据结构,它将图中每个顶点的邻接顶点按照字典序排列,并存储到两个列表中,分别称为该顶点的出度和入度列表。
- 邻接多重表:邻接多重表是一种表示无向图或有权图的的数据结构。在这种数据结构中,每个顶点都有一个表,这个表记录了与该顶点相邻的所有顶点以及相邻的边。
-
图的基本操作
public class GraphDemo { private Map<String, List<String>> graph; public GraphDemo() { graph=new HashMap<>(); } //添加节点 public void addVertices(String name){ graph.put(name,new ArrayList<>()); } //添加边 public void addEdge(String startName,String endName){ if (graph.containsKey(startName)&&graph.containsKey(endName)){ graph.get(startName).add(endName); }else { throw new RuntimeException("节点不存在"); } } //删除节点 public void removeVertex(String name){ if (graph.containsKey(name)){ List<String> neighbors = graph.get(name); for (String neighbor : neighbors) { graph.get(neighbor).remove(name); } graph.remove(name); } } //删除边 public void removeEdge(String startName,String endName){ if (graph.containsKey(startName)&&graph.containsKey(endName)){ graph.get(startName).remove(endName); graph.get(endName).remove(startName); } } }
-
图的遍历
-
深度优先搜索(DFS):图的深度优先遍历(Depth-First Traversal)是一种用于遍历图的算法,它沿着一条路径尽可能深入,直到达到最深的顶点,然后回溯,再沿着另一条路径深入。这种算法适用于发现图中环、连通分量等性质,由于每个顶点和每条边都会被访问一次,所以时间复杂度是O(V+E)。。
public void dfs(String startName){ //创建栈 Stack<String> stack = new Stack<>(); stack.push(startName); while (!stack.isEmpty()){ String vertex = stack.pop(); System.out.println(vertex+" "); List<String> neighbors = graph.get(vertex); //遍历邻居节点 for (String neighbor:neighbors){ if (!stack.contains(neighbor)){ stack.push(neighbor); } } } }
-
广度优先搜索(BFS):广度优先搜索(Breadth-First Search,BFS)是一种用于图遍历或搜索的算法。与深度优先搜索(DFS)沿着一条路径尽可能深入不同,BFS采取一步一个顶点的方式进行搜索,即在每一层尽可能扩散得广,这段代码的时间复杂度是 O(V+E),其中 V 是顶点的数量,E 是边的数量。。
public void bfs(String statName){ Queue<String> queue = new LinkedList<>(); queue.offer(statName); while (!queue.isEmpty()){ String vetex = queue.poll(); System.out.println(vetex+""); List<String> neighbors = graph.get(vetex); for (String neighbor:neighbors){ if (!queue.contains(neighbor)){ queue.add(neighbor); } } } }
-
深度优先搜索的主要应用场景
- 路径寻找:DFS 可以用来寻找从一个顶点到另一个顶点的路径。
- 连通分量:DFS 可以用来找到图中的连通分量,即无法通过任何边连接的顶点集合。
- 环检测:DFS 可以用来检测图中是否存在环。
- 拓扑排序:DFS 可以用来进行拓扑排序,即对有向图进行顶点排序,使得对于任何一条边 (u, v),都满足 u 在 v 之前。
-
广度优先搜索的主要应用场景
- 寻找最短路径:BFS 可以用来寻找从源顶点到其他所有顶点的最短路径。
- 查找特定距离的顶点:BFS 可以用来查找与源顶点距离为 k 的所有顶点。
- 连通分量:BFS 可以用来找到图中的连通分量,与 DFS 类似,但 BFS 更适合处理较大的连通分量。
- 网络延迟:BFS 可以用来计算网络延迟,即从源顶点到其他所有顶点的最短延迟。
-
-
图的应用
-
最小生成树:最小生成树(Minimum Spanning Tree,MST)是一棵包含图所有顶点的树形结构,并且它的边权之和尽可能小。这里的边权是指图中每条边的权重,权重越小说明树的边越短,树的高度也越小,从而整个树的路径长度也越小。
求最小生成树的问题通常可以通过以下几种算法解决:- 普里姆算法(Prim algorithm):普里姆算法(Prim's algorithm)是一种用于寻找加权无向图最小生成树的算法。最小生成树是一组边,它们连接了图中的所有顶点,且树中所有边的权值之和最小。
以下是使用普里姆算法找到最小生成树的步骤:- 创建一个包含所有顶点的集合,以及一个空的最小生成树集合。
- 从任意顶点开始,将其加入最小生成树集合中,并将其从所有顶点的集合中移除。
- 找到与当前最小生成树集合中顶点相邻的顶点中权值最小的顶点,将其加入最小生成树集合中,并将其从所有顶点的集合中移除。
- 重复步骤 3,直到所有顶点都被加入最小生成树集合中。
- 克鲁斯卡尔算法(Kruskal algorithm):克鲁斯卡尔(Kruskal)算法是一种用来寻找最小生成树的算法。最小生成树是一棵包含图中所有顶点的树形结构,并且其边的权重之和尽可能小。
克鲁斯卡尔算法的步骤如下:- 将所有顶点构成若干个互不相交的子集,即每个顶点都是一个独立的连通分量。
- 将所有边按权重从小到大排序。
- 遍历排序后的边,对于每一条边,如果这条边连接的两个顶点属于不同的连通分量,则将这条边加入到最小生成树中,然后将这两个连通分量合并。
- 重复步骤 3,直到所有顶点都属于同一个连通分量。
- 此时,图中最小的生成树已经找齐。
- 算法比较
普里姆(Prim)算法和克鲁斯卡尔(Kruskal)算法在实现的所不同:- 普里姆算法是一种贪心算法,其基本思想是:从一个顶点开始,每次选择与当前连通分量边界上权最小的边,将其加入连通分量中,并更新边界。这个过程会一直进行,直到所有顶点都被包含在连通分量中。克鲁斯卡尔算法是一种基于排序的算法。它首先将所有边按权重从小到大排序,然后遍历排序后的边,对于每一条边,如果这条边连接的两个顶点属于不同的连通分量,则将这条边加入到最小生成树中,然后将这两个连通分量合并。这个过程会一直进行,直到所有顶点都属于同一个连通分量。
- 数据结构:普里姆算法使用一个优先队列(最小堆)来存储待处理的边,而克鲁斯卡尔算法使用一个已排序的边列表。
- 时间复杂度:普里姆算法的时间复杂度是 O(V^2),其中 V 是顶点的数量。克鲁斯卡尔算法的时间复杂度是 O(ElogE),其中 E 是边的数量。在边数量较多时,克鲁斯卡尔算法通常比普里姆算法更快。
- 空间复杂度:普里姆算法需要维护一个优先队列,因此其空间复杂度与顶点数量成正比。克鲁斯卡尔算法需要维护一个已排序的边列表,因此其空间复杂度与边数量成正比。
- 适用性:普里姆算法适用于稠密图,因为其时间复杂度较低。克鲁斯卡尔算法适用于稀疏图,因为其时间复杂度较高。
- 应用场景:最小生成树(Minimum Spanning Tree,MST)在许多实际场景中都有广泛应用,以下是一些常见的应用场景:
- 通信网络设计:在构建通信网络时,需要确保所有节点之间都能互相通信,同时 minimize 总花费(例如,购买光纤、微波塔等)。
- 路由表优化:在路由器中,最小生成树可以用于优化路由表,从而提高数据传输效率。
- 图像处理:在图像处理中,最小生成树可以用于图像压缩、图像分割等任务。
- 普里姆算法(Prim algorithm):普里姆算法(Prim's algorithm)是一种用于寻找加权无向图最小生成树的算法。最小生成树是一组边,它们连接了图中的所有顶点,且树中所有边的权值之和最小。
-
最短路径:最短路径问题是指在带权重的图中寻找从起点到终点的最短路径。在这个问题中,权重通常表示两点之间的距离或花费。
- Dijkstra 算法:Dijkstra 算法是一种用于计算图中顶点之间最短路径的算法。它不适用于有负权边的图。算法步骤如下:
- 初始化距离数组 dist,将起点到其他所有顶点的距离设为无穷大,将起点到自身的距离设为 0。
- 创建一个优先队列(最小堆),将所有顶点及其距离放入队列。
- 当队列不为空时,取出队列中距离起点最近的顶点,并将其从队列中移除。
- 遍历当前顶点的所有邻接顶点,计算从起点到邻接顶点的距离,如果该距离小于已知的最短距离,则更新最短距离,并将该邻接顶点压入队列。
- 重复步骤 3 和 4,直到队列为空。
- Floyd-Warshall 算法是一种用于计算图中所有顶点之间最短路径的算法。它适用于有负权边的图。以下是 Floyd-Warshall 算法的步骤:
- 初始化距离矩阵 dist,将图中所有顶点之间的距离初始化为无穷大,将起点到其他所有顶点的距离设为有向边或无向边的权值,节点到自己的距离为0。
- 以三个顶点的有向图为例,先将V[0]作为中间结点若dist[i][j]的值大于dist[i][0]+dist[0][j]则更新dist[i][j]的值.
- 以此类推直到所有的节点都遍历一遍.
- 算法比较
- 复杂度:Dijkstra 算法的复杂度为 O(V^2),而 Floyd-Warshall 算法的复杂度为 O(V^3)。
- 更新最短路径的方式:在 Dijkstra 算法中,我们通过比较顶点的距离值来更新最短路径;在 Floyd-Warshall 算法中,我们通过遍历所有顶点来更新最短路径。
- 算法实现方式:Dijkstra 算法使用优先队列(最小堆)来存储待处理的顶点,而 Floyd-Warshall 算法使用二维距离矩阵来存储顶点之间的最短距离。
- 适用性:Dijkstra 算法不适用于有负权边的图,而 Floyd-Warshall 算法适用于有负权边的图。
- 应用场景
- 文件传输:在文件传输过程中,需要计算两点之间的最短路径,以便选择最优的传输路径,以提高传输速度和减少传输成本。
- 网络通信:在网络通信中,需要计算两点之间的最短路径,以便数据包能够以最短的时间从源节点到达目标节点。
- 算法研究:最短路径问题是一种重要的算法问题,是许多算法研究的基础。在计算机上,可以进行最短路径算法的模拟和优化研究。
- 游戏设计:在游戏设计中,最短路径问题可以用于计算角色移动的最短路径,以便设计更合理的游戏关卡和路径。
- 人工智能:在人工智能中,最短路径问题可以用于计算机器人移动的最短路径,以便实现机器人的自主导航和路径规划。
- Dijkstra 算法:Dijkstra 算法是一种用于计算图中顶点之间最短路径的算法。它不适用于有负权边的图。算法步骤如下:
-
拓扑排序
- 什么是AOV网:AOV(Activity On Vertex)网是一种用顶点表示活动,用边表示活动之间依赖关系的网络。它主要用于表示工程中的任务及其依赖关系,以便进行项目计划和进度控制。在 AOV 网中,每个顶点表示一个活动,每条边表示两个活动之间的依赖关系。例如,活动 A 在活动 B 之前完成,那么在 AOV 网中,从顶点 A 到顶点 B 有一条有向边。
- 什么是拓扑排序:拓扑排序是对有向无环图的顶点的一种排序,他使得若只存在一条从a到b的路径,那排序中b出现在a的后面.
- 对aov网排序的步骤
- 初始化一个队列,用于存储待处理的顶点。
- 遍历图中的所有顶点,将入度为0的顶点加入队列。
- 当队列不为空时,取出队列中的顶点,并将其从图中删除。然后,遍历该顶点的所有邻接顶点,将它们的入度减1。如果减1后入度为0,则将该邻接顶点加入队列。
- 重复步骤3,直到队列为空。
- 应用场景:
- 项目计划和进度控制:在项目管理中,可以使用拓扑排序来确定任务的优先级,以便按照合理的顺序完成任务。
- 网络通信:在网络通信中,可以使用拓扑排序来确定数据包的传输顺序,以便按照合理的路径传输数据。
- 算法研究:拓扑排序是一种重要的算法问题,是许多算法研究的基础。在计算机科学领域,可以进行拓扑排序的模拟和优化研究。
- 游戏设计:在游戏设计中,可以使用拓扑排序来确定角色移动的顺序,以便设计更合理的游戏关卡和路径。
-
判断无环图
- 判断无环图的过程:
-
从一个节点出发,遍历所有周围节点,将遍历过的节点加入visited数组和stack栈中
-
每次遍历都是将节点和节点的临近节点以此递归下去进行遍历,同时加入stack栈中,若栈在某次递归中包含了某个节点,说明形成了一个闭环,则直接返回false
-
否则当所有的临近节点都访问过后将stack栈清楚.
-
返回到过程a(因为可能存在其他联通分量)
//DFS判断无环图 public boolean dfs(String vetex,Map<String,Boolean> visited,Map<String,Boolean> stack){ //判断是否包含在栈中 if (stack.containsKey(vetex)){ return true; } //判断是否被访问过 if (visited.containsKey(vetex)){ return false; } visited.put(vetex,true); stack.put(vetex,true); for (String neighbor:graph.get(vetex)){ if (dfs(neighbor,visited,stack)){ return true; } } stack.remove(vetex); return false; } public boolean hasCycle(){ //创建记录对象 HashMap<String,Boolean> visited = new HashMap<>(); //遍历所有节点 for (String vetex:graph.keySet()){ //如果节点未被访问过 if (!visited.containsKey(vetex)){ if (dfs(vetex,visited,new HashMap<>())){ return true; } } } return false; }
//BFS判断无环图
public boolean bfs(String vertex,Map<String,Boolean> visites,Queue<String> queue){
visites.put(vertex,true);
queue.add(vertex);
while (!queue.isEmpty()){
String current=queue.poll();
for (String neighbor:graph.get(current)){
//若没访问过
if (!visites.containsKey(neighbor)){
visites.put(neighbor,true);
queue.add(neighbor);
//已经访问过
}else {
return true;
}
}
}
return false;
}public boolean hasCycle2(){
HashMap<String,Boolean> visited = new HashMap<>();
Queue<String> queue = new LinkedList<>();
for (String vertex:graph.keySet()){
if (!visited.containsKey(vertex)){
if (bfs(vertex,visited,queue)){
return true;
}
}
}
return false;
}
-
- 判断无环图的过程:
-
关键路径
- AOE网:AOE(Activity On Edge)网是一种用于表示活动及其依赖关系的图。它通过边表示活动,通过顶点表示活动之间的依赖关系。AOV网的边无权值,AOE网的边有权值.
- 关键路径,关键活动:把具有最大路径长度的路径称为关键路径,而把关键路径上的活动称为关键活动.
-
-
图的实际应用场景
- 社交网络:图可以用来表示社交网络中的用户及其之间的关系。例如,Facebook 使用图结构来存储用户及其好友之间的关系,以便快速推荐可能认识的人、找到共同好友等。
- 推荐系统:图可以用来表示用户与物品之间的交互关系,例如用户购买商品、给商品打分等。通过分析这些关系,可以构建推荐系统,为用户提供个性化的推荐。
- 地图导航:图可以用来表示地图上的道路网络,节点表示道路交叉点,边表示道路连接。通过使用图数据结构,可以实现地图导航功能,例如计算最短路径、推荐路线等。
- 知识图谱:图可以用来表示实体(如人物、地点、组织等)及其之间的关系。例如,Google 的 Knowledge Graph 就是一个大规模的知识图谱,用于提供关于实体及其关系的详细信息。
- 机器学习:图在机器学习中用于表示数据集中的对象及其之间的关系。例如,图神经网络(GNN)是一种针对图数据的深度学习模型,可以用于学习图上的特征,并用于预测和分类。
数据结构-图
Iron_Sp-man2024-04-20 18:20
相关推荐
爱吃生蚝的于勒1 分钟前
深入学习指针(5)!!!!!!!!!!!!!!!羊小猪~~5 分钟前
数据结构C语言描述2(图文结合)--有头单链表,无头单链表(两种方法),链表反转、有序链表构建、排序等操作,考研可看脉牛杂德1 小时前
多项式加法——C语言一直学习永不止步1 小时前
LeetCode题练习与总结:赎金信--383wheeldown9 小时前
【数据结构】选择排序躺不平的理查德13 小时前
数据结构-链表【chapter1】【c语言版】阿洵Rain13 小时前
【C++】哈希Leo.yuan14 小时前
39页PDF | 华为数据架构建设交流材料(限免下载)半夜不咋不困14 小时前
单链表OJ题(3):合并两个有序链表、链表分割、链表的回文结构忘梓.15 小时前
排序的秘密(1)——排序简介以及插入排序