前言：简单介绍数据结构-图
图（Graph）数据结构详解
一、图的定义与基本概念
图是一种用于表示 ** 对象（节点）及其之间关系（边）** 的非线性数据结构，由两部分组成：
节点（Vertex/Node）：表示具体对象（如城市、用户、任务等）。
边（Edge）：表示节点之间的关系（如道路、关注、依赖等）。
核心术语：
有向图（Directed Graph）：边有方向（如 A→B 表示 A 指向 B，单向关系）。
无向图（Undirected Graph）：边无方向（A-B 表示 A 和 B 互相连通）。
权重（Weight）：边可以带有数值权重（如距离、成本、时间等）。
环（Cycle）：存在从某个节点出发，经过若干边后回到自身的路径（有向图中称为有向环）。
连通图：无向图中任意两节点之间存在路径；有向图中需区分 "强连通"（任意两节点可互相到达）和 "弱连通"（忽略方向后连通）。
二、图的存储方式
图的存储需兼顾空间效率和操作便捷性，常见方式有两种：
1. 邻接矩阵（Adjacency Matrix）
结构 ：用一个二维数组 matrix[N][N] 表示节点间的连接关系，其中 N 为节点数。
无向图中，若节点 i 和 j 连通，则 matrix[i][j] = matrix[j][i] = 1（无权图）或权重值（带权图）。
有向图中，matrix[i][j] 表示从 i 到 j 的边。
优缺点：
优点 ：查询边是否存在的时间复杂度为 O(1)，适合稠密图（边数接近 \(N^2\)）。
缺点 ：空间复杂度为 O(N²)，存储稀疏图（边数远小于 \(N^2\)）时浪费空间.
示例（无向无权图）：
节点：A(0)、B(1)、C(2)、D(3)
边：A-B，A-C，B-D
邻接矩阵：
[
[0, 1, 1, 0], // A的连接
[1, 0, 0, 1], // B的连接
[1, 0, 0, 0], // C的连接
[0, 1, 0, 0] // D的连接
]2. 邻接表（Adjacency List）
结构：用数组或链表存储每个节点的相邻节点列表。
数组索引表示节点，对应的值为该节点的邻接节点集合（或带权重的边列表）。
优缺点：
优点 ：空间复杂度为 O(N+E)（E 为边数），适合稀疏图。
缺点 ：查询边是否存在需遍历邻接表，时间复杂度为 O(E)。
示例（有向带权图：A→B (5)，B→C (3)）：
邻接表：
A: [(B, 5)]
B: [(C, 3)]
C: [] 三、图的遍历算法
遍历图的目的是访问每个节点一次，常见算法有两种：
1. 深度优先搜索（DFS, Depth-First Search）
思想：从起点出发，尽可能深入遍历每条路径，直到无法继续后回溯，类似树的前序遍历。
实现 ：用递归 或栈 记录访问路径。需标记已访问节点（visited数组），避免重复访问或环导致死循环。
时复杂度 ：O(N+E) （邻接表存储）或 O(N²)（邻接矩阵存储）。
示例（无向图遍历起点 A）：
访问顺序：A → B → D → C（可能因邻接表顺序不同而变化2. 广度优先搜索（BFS, Breadth-First Search）
思想：从起点出发，按层次逐层访问所有相邻节点，类似树的层序遍历。
实现 ：用队列按顺序存储待访问节点，先入队的节点先处理。
时间复杂度：同 DFS。
示例（无向图遍历起点 A）：
访问顺序：A → B → C → D（按层次扩展） 四、图的应用场景
社交网络：用户为节点，关注 / 好友关系为边，分析社群结构（如连通分量）。
交通网络：城市为节点，道路为边，计算最短路线（Dijkstra 算法）。
计算机网络：路由器为节点，连接为边，检测网络连通性（BFS / 并查集）。
推荐系统：用户与物品为节点，交互行为为边，用图算法挖掘关联关系（如协同过滤）。
编译器：表达式树优化、函数调用图的拓扑排序。
五、图的扩展与变种
带权图：边带有权重，适用于成本、距离等场景。
二分图：节点可分为两部分，所有边仅存在于两部分之间（如任务分配问题）。
超图：边可连接两个以上节点（传统图的边仅连接两个节点）。
动态图：节点和边可动态添加或删除（如实时社交网络）。