图论中邻接矩阵和邻接表详解

---

1. 图（Graph）的基本概念

一个图 ( G = (V, E) ) 包含：

• 节点 / 顶点（Vertex）：( V )
• 边（Edge）：( E )

分为：

• 无向图
• 有向图
• 带权图（权重通常为距离、概率等）

---

2. 邻接矩阵（Adjacency Matrix）

---

2.1 定义

邻接矩阵 (A) 对于有 (n) 个顶点的图是一个 (n\times n) 的二维数组。常见变体：

• 无向无权图 ：
  (A[i][j] = 1) 表示存在边，(0) 表示无边。对称矩阵：(A[i][j] = A[j][i])。
• 有向无权图 ：
  (A[i][j] = 1) 表示从 (i) 指向 (j) 的有向边（不一定对称）。
• 带权图 （有向或无向）：
  (A[i][j] = w_{ij})（例如边长、代价、相似度）。无边处通常用特殊值表示（0、INF、或 NaN，取决于语义）。
• 自环：如果允许自环，则对角线 (A[i][i]) 可为 1 或权值。
• 稀疏矩阵 vs 密集矩阵：邻接矩阵天然是密集表示；当 (m \ll n^2)（稀疏图）时它并非空间友好。

无边的表示（实务）

• 带权最常用：A[i][j] = +Inf（用 std::numeric_limits<double>::infinity()），这样在最短路算法中方便跳过；也可用一个布尔 mask 表示存在性与否。
• 无权场景下可用 0/1，但当 0 可能是合法权重时需小心。

---

2.2 图示例

举例扩展：带权有向图的邻接矩阵示例（设无边用 INF）：

   0   1   2   3
0  0  2.5 INF INF
1 INF 0  1.0  INF
2 INF INF 0  3.2
3 INF INF INF 0

该矩阵直接可用于 Floyd--Warshall （全源最短路），矩阵自底向上更新 dist[i][j] = min(dist[i][j], dist[i][k] + dist[k][j])。

---

2.3 内存复杂度

空间复杂度：(O(n^2))。

• 若使用 double 存权值：内存约 8 * n^2 bytes。
  例如 (n=10000) 时：8 * 1e8 = 800MB（仅矩阵）。
• 若使用 bool 或位图（bitset）：可以压缩到约 n^2 / 8 bytes------仍会很快变大。

工程建议

• (n \lesssim 10^4) 且图稠密：可用密集邻接矩阵。
• (n) 很大且稀疏（如 SLAM 的变量图通常 (m = O(n))）：不要用邻接矩阵，应使用邻接表或稀疏矩阵（CSR/CSC）。

---

2.4 典型操作复杂度

• 检查边(i,j) ：O(1) ------ 直接访问 A[i][j]。
• 遍历 i 的所有邻居：O(n) ------ 扫一整行。稀疏情况下这是低效的（很多是0/INF）。
• 插入/删除边：O(1) ------ 直接写入/置零。
• 增添节点：需要重新分配并复制整个 (n\times n) 矩阵：O(n^2) ------ 非常昂贵。
• 矩阵乘法 / 幂 ：用于计数长度为 k 的路径（A^k）等，可用线性代数库（复杂度 (O(n^3)) 或更好并行实现）。

---

2.5 优点

• O(1) 边查询：适合需要频繁判断顶点对是否相连的场景（例如动态验证全连通性或稠密相似度矩阵）。
• 适合线性代数处理：可以直接用 BLAS / GPU（cuBLAS / cuSPARSE）进行并行运算（矩阵乘法、特征分解）。
• 简单且常用于理论分析：很多代数图理论（图谱、拉普拉斯矩阵）都基于邻接矩阵或其变体（度矩阵、拉普拉斯）。

---

2.6 缺点

• 空间没处可逃：稀疏图会浪费大量内存。
• 遍历邻居代价高：即使实际度很小，也要扫描整个行。
• 动态调整困难：添加/删除大量节点/重编号代价高。
• 缓存局部性：虽然矩阵按行存储在内存中，连续访问行很快，但若算法需要随机访问多行/列会出现缓存不友好问题。

---

2.7 C++ 示例

1) 固定大小的静态数组

适合小图、最高性能需求，但不灵活：

const int N = 100;
std::array<std::array<int, N>, N> adj{}; // 或静态 int adj[N][N]
adj[u][v] = 1;

注意 ：std::vector<std::vector<int>> 会额外分配很多小块，导致性能下降；优先使用一维连续数组模拟二维（vector<T> data(n*n); data[i*n + j]）以获得更好缓存。

2) 动态大小

struct AdjMatrix {
  size_t n;
  std::vector<double> data; // 使用 double 表示权值（无边用 INF）
  static constexpr double INF = std::numeric_limits<double>::infinity();

  AdjMatrix(size_t n_) : n(n_), data(n_*n_, INF) {
    for(size_t i=0;i<n;i++) data[i*n + i] = 0.0;
  }

  inline double& at(size_t i, size_t j) { return data[i*n + j]; }
  inline bool hasEdge(size_t i,size_t j) { return data[i*n + j] != INF; }

  std::vector<size_t> neighbors(size_t i) {
    std::vector<size_t> nb;
    for(size_t j=0;j<n;j++) if(data[i*n + j] != INF && i!=j) nb.push_back(j);
    return nb;
  }
};

优势：一维连续存储，友好缓存；方便序列化与 GPU 拷贝。

注意 ：vector<bool> 不建议用于位图（语义/效率问题），若需要位图请用 std::vector<uint64_t> 或 boost::dynamic_bitset。

3) 使用位矩阵（节省空间、加速位运算）

当图是无权且只需存在性测试，可以用位矩阵（每行为 bitset），支持快速交并运算（例如计算公共邻居，Jaccard 相似度）：

#include <bitset> // 若 n 编译时已知
std::vector<std::vector<uint64_t>> bit_rows; // 行压缩为 uint64_t 单元

// 测试公共邻居数
uint64_t count_common(size_t i, size_t j) {
  uint64_t sum = 0;
  for(k...) sum += __popcnt64(rowi[k] & rowj[k]);
  return sum;
}

位运算非常适合 GPU/向量化加速与大量相似度计算（例如 loop closure 相似度矩阵）。

4) 用线性代数库（如 Eigen）

带权图且需要做谱分解 / 特征值运算时，使用 Eigen / Armadillo：

#include <Eigen/Dense>
Eigen::MatrixXd A(n, n);
// fill A
Eigen::SelfAdjointEigenSolver<Eigen::MatrixXd> solver(A);
auto evals = solver.eigenvalues();

注意 ：Eigen 的 MatrixXd 是 row-major 或 col-major 可配置；与你内存布局要匹配以免额外拷贝。

---

附：邻接矩阵的常见优化与变体

1. 只存上（三角）或下三角（对称无向图）：节省一半空间，但访问需做索引变换。
2. 压缩行（CSR / CSC） ：虽然这本质是稀疏矩阵格式，若邻接矩阵非常稀疏，可以把邻接矩阵视作稀疏矩阵存储，利用 row_ptr, col_idx, val 来节省空间并加快遍历邻居（与邻接表类似但更便于数值运算）。
3. 位图 + 权值分离：存在性用位图，权值另存（仅保存实际边）。对查询速度与存储权衡有利。
4. Block-sparse / Tiled：把大矩阵分成块，适合 GPU / 分布式场景（按块分配可加速并行乘法与存取）。

---

在 SLAM / 图优化 中的实践提示

• 因子图（GTSAM）通常稀疏 → 使用邻接表或稀疏矩阵（CSR）更合适。邻接矩阵只在特定阶段（例如全连接相似度计算、BoW 两两相似计算）临时使用。
• 回环候选相似度（全配对） ：若需要两两相似度矩阵（例如 10k 帧），可用 位矩阵 + GPU 并行 计算快速过滤候选，再细化用稀疏结构。
• 图谱方法（谱聚类、拉普拉斯特征）：需要密集矩阵或稀疏线性代数库支持（Eigen / Spectra / ARPACK）。
• 网格地图（occupancy grid）：本质上是一个稠密的二维邻接矩阵（每个 cell 与邻居相连），这里邻接矩阵/邻接格点表示都常用，且非常适合 GPU。

---

常见误区与陷阱

• 用 vector<vector<T>> 表示邻接矩阵会产生大量小内存分配，影响性能；优先用 vector<T> 一维数组映射 2D 索引。
• 用 vector<bool> 作为位图时语义/性能会受损（vector<bool> 为特殊化实现），建议用 std::bitset（编译期大小）或 boost::dynamic_bitset，或自己用 vector<uint64_t>。
• 混合使用多处 Eigen 版本或旧 Eigen 可能导致 CUDA 编译失败（你之前遇到的问题），务必保证 include 顺序与版本一致。
• 若算法频繁增删节点，应避免邻接矩阵。

---

实用算法示例（邻接矩阵场景优先）

1. Floyd--Warshall（全源最短路）：直接在邻接矩阵上三重循环 O(n^3)。
2. 路径计数（A^k）：矩阵幂可以求长度恰为 k 的路径数量，可用快速幂或并行矩阵乘法。
3. 谱聚类 / 特征值分解：从邻接矩阵构造度矩阵 (D) 与拉普拉斯 (L = D - A)，然后求前 k 个特征向量。
4. 快速公共邻居 / 相似度：若用位矩阵，公共邻居数可通过位与 + popcount 迅速计算；适用于 loop closure 提名。

---

3. 邻接表（Adjacency List）

---

3.1 定义

邻接表为每个顶点维护一个容器（vector、list、deque、甚至链表索引数组），存储该顶点的所有邻居（以及可选的边属性，如权重、时间戳、信息矩阵等）。

常见表示：

• vector<vector<int>>：最常用，连续内存，缓存友好。
• vector<vector<pair<int,Weight>>>：带权图，pair<to, weight>。
• Forward-star / CSR-like ：用三数组 head[], to[], next[] 或 offset[], to[]，避免大量小分配，内存紧凑，适合静态图/高性能场景。
• vector<unordered_set<int>> 或 vector<robin_hood_set>：用于需要 O(1) 边查找且允许动态增删。

注意：邻接表按顶点维护"出边列表"（directed）或"邻居列表"（undirected,存双向或半存储）。

---

3.2 图示例

同样图 0--1--2--3：

• vector<vector<int>> adj 表示：

  adj[0] = {1}
  adj[1] = {0,2}
  adj[2] = {1,3}
  adj[3] = {2}

• 带权例子（vector<vector<pair<int,double>>>）：

  adj[1] = { {0,0.8}, {2,1.2} }

• Forward-star（数组表示）示意：

  head[0] = 0; head[1]=1; head[2]=3; head[3]=5; head[4]=6 (head[n]=m)
  to = [1, 0,2, 1,3, 2]
  offset method: neighbors of u are to[offset[u] .. offset[u+1]-1]

---

3.3 内存复杂度

空间复杂度：(O(n + m))，更精确：

• 使用 vector<vector<int>>：节点数组 n + 所有邻节点存储 2m（无向双向存储）元素 + 每个内层 vector 的元数据（约 3 pointers 每个）；
• 使用 CSR/offset：offset 长度 n+1，to 长度 m（或 2m），极佳压缩比；

工程量化示例：

• (n=10^6, m=5\times10^6)（稠密度低）：

  • vector<vector<int>> 可能因每个 vector 分配开销显著；
  • CSR 存储 offset + to 仅需 ~ 8*(n+1) + 4*m bytes（假设 4 字节 int），非常节省。

---

3.4 操作复杂度

操作	邻接表（vector 列表）
判断边 (i,j)	O(k)（k = deg(i)），若用 hash 集合则 O(1) 平均
遍历邻居	O(k)
插入边	平均 O(1) （push_back，若内存扩容则摊销）
删除边	O(k)（若不知道位置），可用 swap-erase 达到 O(1)（但破坏顺序）
增加节点	O(1)（adj.push_back({})）
静态构建（一次性填充）	O(m)（如果预分配）

细节：

• 删除具体边：若保持邻接顺序，可 erase(iterator)，为 O(k)；若不在意顺序，可 swap 与 pop_back() 实现 O(1)。
• 快速判断边存在性：在 adj[u] 使用 unordered_set 或排序后用二分查找（O(log k)）。

---

3.5 优点

• 节省空间：对稀疏图最优。
• 遍历邻居高效：遍历速度与实际邻居数成正比。
• 易动态修改：添加节点/边、增删动态方便。
• 适配多种边属性：可直接在邻居项中加权值、时间戳、covariance 等结构体字段，便于 SLAM 中记录多模态信息（例如 loop confidence、information matrix）。
• 与稀疏线性代数相配：生成稀疏矩阵（CSR）容易，用于稀疏优化。

---

3.6 缺点

• 查边非 O(1)，除非使用额外结构（hash）。
• 内存碎片与 allocator 问题 ：大量小 vector 分配会导致内存碎片、性能下降 ------ 在大规模工程中推荐使用 reserve 或统一内存池。
• 不适合非常稠密图：若边接近 (n^2)，邻接表会有极多小数组，CSR/矩阵更合适。
• 并发写入复杂：并发 add/remove 需要锁或原子操作，设计需谨慎。

---

3.7 C++ 示例与工程实现变体

下面给出多个工程可用的数据结构实现，以及并发 / 高性能 / 序列化 / 转换代码片段。

A. 最简单（开发与教学用）

int n = 100;
std::vector<std::vector<int>> adj(n);

// add undirected edge
void add_edge(int u, int v) {
  adj[u].push_back(v);
  adj[v].push_back(u);
}

// iterate
for (int v : adj[u]) {
  // ...
}

问题：每个 push_back 可能会引起 reallocation，建议 reserve。

---

B. 带权、带属性（常用 SLAM）

struct Edge {
  int to;
  double weight;
  uint64_t timestamp;
  // optional: information matrix index or small fixed-size array
};

std::vector<std::vector<Edge>> adj;

适合在每条边上存储 covariance/information/score，直接用于 loop-closure 筛选和后端因子构造。

---

C. 前置分配 + swap-erase 删除（高性能）

// reserve neighbor lists
adj[u].reserve(expected_deg[u]);

// O(1) remove (unordered)
void remove_edge_unordered(int u, int v) {
  auto &list = adj[u];
  for (size_t i = 0; i < list.size(); ++i) {
    if (list[i] == v) {
      list[i] = list.back();
      list.pop_back();
      break;
    }
  }
}

优点：删除 O(1)，代价是破坏邻居顺序（通常可接受）。

---

D. 使用 unordered_set 实现 O(1) 存在性检查

std::vector<robin_hood::unordered_flat_set<int>> adj_set; // 或 std::unordered_set

bool has_edge(int u, int v) {
  return adj_set[u].find(v) != adj_set[u].end();
}

void add_edge(int u, int v) {
  adj_set[u].insert(v);
  adj_set[v].insert(u);
}

权衡：更高内存开销，但查询快。适合需要频繁查边（而非遍历邻居）的场景（如动态约束冲突检测）。

---

E. CSR / Offset 表示（静态图或批量构建首选）

构建步骤：

1. 统计每个节点度 deg[u]
2. offset[0]=0; offset[i+1]=offset[i]+deg[i]
3. 填充 to[offset[u] .. offset[u+1]-1]

代码片段（构建）：

std::vector<int> deg(n,0);
for(auto &e: edges) {
  deg[e.u]++; deg[e.v]++;
}
std::vector<int> offset(n+1);
for(int i=0;i<n;i++) offset[i+1]=offset[i]+deg[i];
std::vector<int> to(offset.back());
std::vector<int> cur = offset;
for(auto &e: edges) {
  to[cur[e.u]++] = e.v;
  to[cur[e.v]++] = e.u;
}

优点：内存紧凑、遍历邻居更快（连续内存）、方便并行和 GPU 拷贝。缺点：不支持高效随机增删。

---

F. Forward-star（链式数组，节省指针）

常见于竞赛/嵌入式：

const int MAXM = ...;
int head[N], to[MAXM], next[MAXM], cnt=0;

void add_edge(int u,int v) {
  to[++cnt] = v; next[cnt] = head[u]; head[u] = cnt;
}

优点：低开销，适合静态或构建一次后多查询场景。缺点：删除复杂。

---

G. 并发场景（多线程读/写）

• 读多写少 ：读无需锁，写时对单个 adj[u] 使用 mutex 或原子操作。
• 高并发写入：使用分段锁（per-vertex mutex）或 lock-free structures（复杂）。
• 构建阶段并行：用线程局部 buffer 收集边，最后合并到主结构（避免锁竞争）。

示例（per-vertex mutex）：

std::vector<std::mutex> vertex_mutex(n);

void thread_safe_add_edge(int u,int v) {
  std::scoped_lock lock(vertex_mutex[u], vertex_mutex[v]);
  adj[u].push_back(v);
  adj[v].push_back(u);
}

---

H. GPU / 大规模并行处理

• 把邻接表转成 CSR (offset + to arrays) ，上传到 GPU；在 kernel 中用 offset[u]..offset[u+1] 范围遍历；
• 位图表示（bitset）也适合 GPU 用于快速并行相似度计算（popcount）。
• 注意 host->device 的内存对齐与数据类型大小（use 32-bit indices if possible）。

---

I. 序列化 / 存储（磁盘 / 网络）

• CSR 更适合序列化（写出 offsets, to arrays）。
• 建议写版本号、n、m、offset[], to[], weights[]，按二进制写入加速。
• 对于非常大的图（>RAM），使用外存图数据库（GraphChi/Neo4j）或 memory-mapped files。

---

J. 转换：邻接矩阵 ↔ 邻接表

• 矩阵 -> 邻接表：对每行扫描 O(n^2)；稀疏时代价高。
• 邻接表 -> CSR：O(n+m) 通过前述 degree->offset 构建步骤。

---

并发/性能优化建议

1. 预分配（reserve） ：如果能估计度数，请 reserve 每个 vector，避免多次 reallocation。
2. 使用连续内存 ：如果追求最高性能，优先使用 CSR 或 flat_vector（自实现一维数组 + offset）而不是 vector<vector<T>>。
3. 内存对齐与类型 ：顶点索引用 uint32_t 优于 uint64_t（节省空间），除非 n>4e9。
4. 定期压缩/整理：对动态图，周期性合并/compact 邻接列表以减少碎片。
5. 访问模式友好：尽量按顶点顺序访问以提高 cache hit（对 BFS/DFS 有益）。
6. 使用自定义 allocator：避免小块频繁分配的开销（你之前感兴趣的 static memory pool 很适合这里）。

---

在 SLAM / 图优化 / 路径规划 中的具体应用建议

• SLAM 因子图：因是稀疏且动态（随着关键帧增长），邻接表或 CSR（周期性 rebuild）为佳。每个邻接项存 factor id /信息矩阵索引 -> 在构造线性化矩阵时可直接映射到稀疏 Hessian。
• 回环候选管理 ：把回环置信度、检测时间、关键点数存到边属性，快速筛选用 adj[u] 遍历并用阈值过滤。
• A*：邻接表加权图 + 优先队列实现，遍历邻居为 O(k) 最佳。
• 增量优化：支持快速插入/删除边（swap-erase），并在后端维护稀疏矩阵增量更新。

---

推荐的工程级模板类

这是一个工程级的邻接表类草案（支持带权、reserve、swap-erase、CSR 导出）：

template<typename EdgeAttr = int>
class AdjacencyList {
public:
  using Edge = std::pair<int, EdgeAttr>;
  AdjacencyList(size_t n=0) { resize(n); }

  void resize(size_t n) {
    adj.resize(n);
  }
  size_t size() const { return adj.size(); }

  void reserve_node(size_t u, size_t deg) {
    adj[u].reserve(deg);
  }

  void add_edge(int u, int v, const EdgeAttr& attr = EdgeAttr()) {
    adj[u].emplace_back(v, attr);
  }
  // undirected convenience
  void add_undirected(int u,int v,const EdgeAttr& attr=EdgeAttr()){
    add_edge(u,v,attr); add_edge(v,u,attr);
  }

  // unordered remove (O(1))
  bool remove_edge_unordered(int u, int v) {
    auto &list = adj[u];
    for(size_t i=0;i<list.size();++i) {
      if(list[i].first==v) {
        list[i] = list.back();
        list.pop_back();
        return true;
      }
    }
    return false;
  }

  // export CSR
  void to_csr(std::vector<int>& offset, std::vector<int>& to) const {
    int n = (int)adj.size();
    offset.assign(n+1,0);
    for(int i=0;i<n;++i) offset[i+1] = offset[i] + (int)adj[i].size();
    to.resize(offset.back());
    std::vector<int> cur = offset;
    for(int i=0;i<n;++i){
      for(auto &e: adj[i]) to[cur[i]++] = e.first;
    }
  }

  const std::vector<Edge>& neighbors(int u) const { return adj[u]; }

private:
  std::vector<std::vector<Edge>> adj;
};

---

4. 邻接矩阵 vs 邻接表对比总结

项目	邻接矩阵	邻接表
内存	O(n²)	O(n + m)
图类型	稠密图	稀疏图
查边	✔ O(1)	✘ O(k)
遍历邻居	O(n)	O(k)
增删节点	❌ 难	✔ 简单
适用算法	Floyd, DP	BFS/DFS, Dijkstra, 图优化

---

5. 在 SLAM 与图优化中的应用

邻接表 ------ 因子图最常用的数据结构

GTSAM、Ceres、SLAM 后端优化中：

• 图是稀疏的
• 每个节点仅连接少量因子

使用邻接表表示 Factor Graph

示例（gtsam）：

x0 → (imu, odom)
x1 → (imu, loop)
x2 → (odom)
...

每个变量只连接少量因子，所以邻接表最适合。

---

邻接矩阵 ------ 回环检测与特征匹配中常见

例如：

• BoW 词典相似度矩阵（ORB-SLAM）
• GNSS / WiFi RTI 指纹图
• GPU 加速 pairwise 关系计算

---

6. 什么时候用哪一种

场景	推荐结构
SLAM 图优化（Factor Graph）	邻接表
稠密图（社交网络、全连接图）	邻接矩阵
BFS / DFS	邻接表
Floyd 全源最短路	邻接矩阵
Dijkstra 稠密图	邻接矩阵
Dijkstra 稀疏图	邻接表 + 堆
GPU 并行计算	邻接矩阵
路径规划（地图网格）	邻接表（隐式图）

---