目录
[1.1 图的基本组成](#1.1 图的基本组成)
[1.2 图的分类](#1.2 图的分类)
[1.3 顶点的度数](#1.3 顶点的度数)
[1.4 路径与回路](#1.4 路径与回路)
[1.5 子图与特殊图](#1.5 子图与特殊图)
[二. 图的存储结构](#二. 图的存储结构)
[2.1 邻接矩阵](#2.1 邻接矩阵)
[2.2 邻接表](#2.2 邻接表)
[3.1 原理](#3.1 原理)
[3.2 实现步骤](#3.2 实现步骤)
[3.3 代码实现](#3.3 代码实现)
[4.1 原理](#4.1 原理)
[4.2 实现步骤](#4.2 实现步骤)
[4.3 代码实现](#4.3 代码实现)
一、图的基本概念
图是由顶点集合及顶点间的关系组成的一种数据结构：G = (V， E)。
1.1 图的基本组成
顶点（Vertex）
- 图的基本元素，代表具体的对象（如城市、网络节点等），通常用 V 表示顶点集合。
边（Edge）
- 顶点之间的连接关系，代表对象间的关系（如道路、通信链路等），通常用 E 表示边集合。
- 有向边 ：带有方向的边（用箭头表示），构成有向图。
- 无向边 ：没有方向的边，构成无向图。
1.2 图的分类
- 按边的方向性分类
- 无向图：所有边均为无向边，边记为 (u, v)，且 (u, v)= (v, u) 。
- 有向图：至少存在一条有向边，边记为 <u, v>，表示从 u 到 v 的方向。
有向图
无向图
- 按边是否有权值分类
- 无权图：边仅表示连接关系，无权重（如是否可达）。
- 加权图：每条边带有数值权重（如距离、成本等）。
加权图
- 按是否有重复边或自环分类
- 简单图：无重复边、无自环（顶点到自身的边）。
- 多重图：允许重复边（平行边）或自环。
- 完全图：任意两个顶点之间都有一条边（无向完全图有 (n(n-1)2) 条边，有向完全图有 (n(n-1)) 条边，n 为顶点数）。
1.3 顶点的度数
- 无向图中的度数（Degree）
- 顶点 v 的度数是其连接的边数。
- 所有顶点度数之和等于边数的 2 倍（每条边被两个顶点各计数一次）。
- 有向图中的度数
- 入度：指向顶点 v 的边数。
- 出度：顶点 v 发出的边数。
- 顶点度数 = 入度 + 出度。
1.4 路径与回路
- 路径
- 顶点序列 (V1, V2, ......, Vk)，其中相邻顶点由边连接。
- 简单路径：路径中所有顶点互不重复（除起点和终点可能相同）。
- 回路
- 起点和终点相同的路径（长度 ≥ 1）。
- 简单回路：除起点和终点外，其余顶点互不重复的回路。
- 连通性
- 无向图 ：若任意两顶点存在路径，则图是连通图 ；否则分为多个连通分量。
- 有向图 ：若任意两顶点 (u -> v) 和 (v -> u) 均有路径，则为强连通图 ；否则分为强连通分量。
1.5 子图与特殊图
- 子图
- 顶点集和边集均为原图子集的图。
- 二分图
- 顶点可分为两个不相交的集合，所有边均连接两个集合中的顶点（无同一集合内的边）。
- 树
- 无向图中，连通且无回路的图（顶点数 n，边数 (n-1)）。
- 有向树：有向图中，仅有一个根节点（入度为 0），其余顶点入度为 1，且从根到所有顶点有唯一路径。
二. 图的存储结构
2.1 邻接矩阵
核心思想:
用一个二维矩阵 A 表示顶点之间的连接关系，矩阵大小为 (n * n)（n 为顶点数）
- 无权图：(A[i][j] = 1) 表示存在边 (i -> j)（有向图）或 ((i,j))（无向图），否则为 0。
- 加权图：(A[i][j] = w) 表示边的权重为 w，无边则设为无穷大。
优点：
- 访问边的时间复杂度为(O(1))（直接查矩阵）。
- 适合表示稠密图（边数接近 (n^2)）。
缺点：
- 空间复杂度为 (O(n^2))，存储稀疏图（边数少）时浪费空间。
- 遍历一个顶点的所有邻接点需要扫描整行，效率低（O(n)）。
2.2 邻接表
每个顶点对应一个列表，存储其相邻顶点（有向图存储出边，无向图存储所有邻接顶点）。
- 无权图：链表中存储相邻顶点的编号。
- 加权图：链表中存储二元组 ((邻接顶点, 权重))。
优点：
- 空间复杂度为 (O(n + e))（e 为边数），适合表示稀疏图。
- 遍历一个顶点的所有邻接点效率高（只需遍历其链表）。
缺点：
- 检查某条边是否存在需要遍历链表。
- 无向图中每条边会被存储两次（在两个顶点的链表中）。
三、深度优先遍历
3.1 原理
深度优先搜索是一种图遍历算法，它沿着一条路径尽可能深入，直到无法继续为止，然后回溯到上一个节点，尝试其他路径。DFS 使用递归或栈实现，适合用于遍历所有可能的路径。
3.2 实现步骤
- 从起点开始 ：
- 标记当前节点为已访问。
- 输出或处理当前节点。
- 递归访问邻接节点 ：
- 遍历当前节点的所有邻接节点。
- 如果某个邻接节点未访问，递归调用 DFS。
- 回溯 ：
- 在递归返回时，回到上一个节点，继续探索其他未访问的邻接节点。
3.3 代码实现
cpp
#include <iostream>
#include <vector>
void dfs(const std::vector<std::vector<int>>& graph, int node, std::vector<bool>& visited) {
visited[node] = true;
std::cout << node << " "; // 访问节点
for (int i = 0; i < graph.size(); ++i)
{
if (graph[node][i] == 1 && !visited[i])
{
dfs(graph, i, visited);
}
}
}
int main()
{
// 示例图（邻接矩阵表示）
std::vector<std::vector<int>> graph =
{
{0, 1, 1, 0, 0, 0},
{1, 0, 0, 1, 1, 0},
{1, 0, 0, 0, 0, 1},
{0, 1, 0, 0, 0, 0},
{0, 1, 0, 0, 0, 1},
{0, 0, 1, 0, 1, 0}
};
std::vector<bool> visited(graph.size(), false);
std::cout << "DFS: ";
dfs(graph, 0, visited); // 从节点 0 开始
std::cout << std::endl;
return 0;
}四、广度优先遍历
4.1 原理
广度优先搜索是一种逐层遍历图的算法。它从起点开始，先访问所有直接邻接的节点，然后再访问这些节点的邻接节点。BFS 的特点是"逐层扩展"。
4.2 实现步骤
- 初始化队列 ：
- 将起点加入队列，并标记为已访问。
- 逐层遍历 ：
- 从队列中取出一个节点。
- 输出或处理该节点。
- 遍历当前节点的所有邻接节点：
- 如果某个邻接节点未访问，将其加入队列，并标记为已访问。
- 重复 ：
- 继续从队列中取出节点，直到队列为空。
4.3 代码实现
cpp
#include <iostream>
#include <queue>
#include <vector>
void bfs(const std::vector<std::vector<int>>& graph, int start)
{
int n = graph.size();
std::vector<bool> visited(n, false);
std::queue<int> q;
visited[start] = true;
q.push(start);
while (!q.empty())
{
int node = q.front();
q.pop();
std::cout << node << " "; // 访问节点
for (int i = 0; i < n; ++i)
{
if (graph[node][i] == 1 && !visited[i])
{
visited[i] = true;
q.push(i);
}
}
}
}
int main()
{
// 示例图（邻接矩阵表示）
std::vector<std::vector<int>> graph = {
{0, 1, 1, 0, 0, 0},
{1, 0, 0, 1, 1, 0},
{1, 0, 0, 0, 0, 1},
{0, 1, 0, 0, 0, 0},
{0, 1, 0, 0, 0, 1},
{0, 0, 1, 0, 1, 0}
};
std::cout << "BFS: ";
bfs(graph, 0); // 从节点 0 开始
std::cout << std::endl;
return 0;
}结语
最近笔试老是最后一题出个图相关的，写这篇文章是为了复习图的相关知识点与遍历方法，临阵磨枪，希望在接下来的笔试中能应对这种题目。