最小生成树算法（Go）

最小生成树算法概述

最小生成树（Minimum Spanning Tree, MST）是指在一个加权连通图中，选取一棵生成树使得所有边的权值之和最小。常见的最小生成树算法包括Prim算法和Kruskal算法。

Prim算法

Prim算法是一种贪心算法，从某个顶点开始，逐步扩展生成树，每次选择权值最小的边连接生成树和非生成树顶点。

算法步骤

初始化一个空的最小生成树和一个优先队列（最小堆）。
从任意顶点开始，将其加入生成树，并将其所有邻边加入优先队列。
从优先队列中取出权值最小的边，如果连接的顶点不在生成树中，则将该顶点加入生成树，并将其邻边加入优先队列。
重复上述步骤，直到所有顶点都加入生成树。

Go语言实现

go 复制代码

package main

import (
	"container/heap" // 引入Go标准库的堆结构，用于实现最小堆
	"fmt"
)

// Edge 定义边的结构体
// from: 边的起点顶点编号
// to: 边的终点顶点编号
// weight: 边的权重（权值）
type Edge struct {
	from, to, weight int
}

// MinHeap 定义最小堆类型，底层是Edge切片
// 用于按边的权重从小到大排序，是Prim算法的核心数据结构
type MinHeap []Edge

// Len 实现heap.Interface接口的Len方法，返回堆的长度
func (h MinHeap) Len() int { return len(h) }

// Less 实现heap.Interface接口的Less方法，定义堆的比较规则（最小堆）
// 比较两个边的权重，权重小的优先级更高
func (h MinHeap) Less(i, j int) bool { return h[i].weight < h[j].weight }

// Swap 实现heap.Interface接口的Swap方法，交换堆中两个元素的位置
func (h MinHeap) Swap(i, j int) { h[i], h[j] = h[j], h[i] }

// Push 实现heap.Interface接口的Push方法，向堆中添加元素
// x是待添加的元素，需要断言为Edge类型
func (h *MinHeap) Push(x interface{}) {
	*h = append(*h, x.(Edge)) // 将元素追加到切片末尾，堆结构由heap包自动调整
}

// Pop 实现heap.Interface接口的Pop方法，从堆中弹出元素（弹出最小权重的边）
// 按照堆的规范，需要弹出切片最后一个元素，并调整堆结构
func (h *MinHeap) Pop() interface{} {
	old := *h          // 保存当前堆的所有元素
	n := len(old)      // 获取堆的长度
	x := old[n-1]      // 取出最后一个元素（堆顶元素已被调整到末尾）
	*h = old[0 : n-1]  // 截断切片，移除最后一个元素
	return x           // 返回弹出的元素
}

// Prim 实现Prim算法，求解无向加权图的最小生成树（MST）
// graph: 图的邻接矩阵表示，graph[i][j]表示顶点i到顶点j的边的权重，0表示无直接边
// start: 起始顶点编号（从哪个顶点开始构建MST）
// 返回值: 构成最小生成树的所有边的切片
func Prim(graph [][]int, start int) []Edge {
	n := len(graph)                // 获取图的顶点总数（邻接矩阵的行数/列数）
	visited := make([]bool, n)     // 标记顶点是否已被加入MST，初始值都是false
	mst := make([]Edge, 0)         // 存储最小生成树的所有边
	pq := &MinHeap{}               // 初始化最小堆（优先级队列）
	heap.Init(pq)                  // 初始化堆结构（Go标准库的heap包需要显式初始化）

	// 第一步：标记起始顶点为已访问，并将起始顶点的所有邻接边加入最小堆
	visited[start] = true
	for to, weight := range graph[start] { // 遍历起始顶点的所有邻接顶点
		if weight > 0 { // weight>0表示存在从start到to的边
			heap.Push(pq, Edge{start, to, weight}) // 将这条边加入最小堆
		}
	}

	// 第二步：循环取出堆中权重最小的边，扩展MST，直到选出n-1条边（MST的边数=顶点数-1）
	// 终止条件：堆为空 或 已选够n-1条边
	for pq.Len() > 0 && len(mst) < n-1 {
		// 弹出堆中权重最小的边
		e := heap.Pop(pq).(Edge)

		// 如果这条边的终点已经被访问过，说明会形成环，跳过这条边
		if visited[e.to] {
			continue
		}

		// 否则，将这条边加入MST，并标记终点为已访问
		mst = append(mst, e)
		visited[e.to] = true

		// 遍历当前终点的所有邻接顶点，将未访问的邻接边加入堆
		for to, weight := range graph[e.to] {
			// weight>0表示存在边，且to未被访问过（避免环）
			if weight > 0 && !visited[to] {
				heap.Push(pq, Edge{e.to, to, weight})
			}
		}
	}

	// 返回构建好的最小生成树的边集合
	return mst
}

func main() {
	// 定义图的邻接矩阵（5个顶点，编号0-4）
	// graph[i][j] = w 表示顶点i到j的边权重为w，0表示无直接边
	// 例如：graph[0][1]=2 表示顶点0到顶点1有一条权重为2的边
	graph := [][]int{
		{0, 2, 0, 6, 0}, // 顶点0的邻接边：0-1(2)、0-3(6)
		{2, 0, 3, 8, 5}, // 顶点1的邻接边：1-0(2)、1-2(3)、1-3(8)、1-4(5)
		{0, 3, 0, 0, 7}, // 顶点2的邻接边：2-1(3)、2-4(7)
		{6, 8, 0, 0, 9}, // 顶点3的邻接边：3-0(6)、3-1(8)、3-4(9)
		{0, 5, 7, 9, 0}, // 顶点4的邻接边：4-1(5)、4-2(7)、4-3(9)
	}

	// 调用Prim算法，从顶点0开始构建最小生成树
	mst := Prim(graph, 0)

	// 遍历输出最小生成树的所有边
	for _, e := range mst {
		fmt.Printf("Edge %d-%d: %d\n", e.from, e.to, e.weight)
	}
}

Kruskal算法

Kruskal算法也是一种贪心算法，通过按权值从小到大排序所有边，逐步选择不形成环的边加入生成树。

算法步骤

将所有边按权值从小到大排序。
初始化一个并查集数据结构，用于检测环。
依次选择排序后的边，如果边的两个顶点不在同一集合中，则将该边加入生成树，并合并两个顶点所在的集合。
重复上述步骤，直到生成树包含所有顶点。

Go语言实现

go 复制代码

package main

import (
	"fmt"
	"sort"
)

type Edge struct {
	from, to, weight int
}

type UnionFind struct {
	parent []int // parent[i]表示i的父节点
	rank   []int // rank[i]表示以i为根的集合的"秩"（用于按秩合并，优化效率）
}

// 初始化并查集：每个节点的父节点是自己，秩初始为0
func NewUnionFind(size int) *UnionFind {
	parent := make([]int, size)
	rank := make([]int, size)
	for i := range parent {
		parent[i] = i // 初始时，每个节点独立成集合
	}
	return &UnionFind{parent, rank}
}

// Find操作：查找节点u的根节点，同时做"路径压缩"（优化查询效率）
func (uf *UnionFind) Find(u int) int {
	if uf.parent[u] != u { // 如果u不是根节点
		uf.parent[u] = uf.Find(uf.parent[u]) // 递归找根，并把u的父节点直接指向根（路径压缩）
	}
	return uf.parent[u] // 返回根节点
}

// Union操作：合并u和v所在的集合（按秩合并，避免树退化成链表）
func (uf *UnionFind) Union(u, v int) {
	rootU := uf.Find(u) // 找u的根
	rootV := uf.Find(v) // 找v的根
	if rootU == rootV { // 根相同，说明已连通，无需合并
		return
	}
	// 按秩合并：把秩小的树合并到秩大的树下
	if uf.rank[rootU] > uf.rank[rootV] {
		uf.parent[rootV] = rootU
	} else {
		uf.parent[rootU] = rootV
		if uf.rank[rootU] == uf.rank[rootV] { // 秩相同，合并后秩+1
			uf.rank[rootV]++
		}
	}
}

func Kruskal(edges []Edge, n int) []Edge {
	// 步骤1：把所有边按权重从小到大排序（贪心的核心）
	sort.Slice(edges, func(i, j int) bool {
		return edges[i].weight < edges[j].weight
	})
	// 步骤2：初始化并查集，大小为顶点数n
	uf := NewUnionFind(n)
	// 步骤3：存储最小生成树的边
	mst := make([]Edge, 0)
	// 步骤4：遍历排序后的边，依次选择不形成环的边
	for _, e := range edges {
		// 判断边的两个顶点是否连通（根节点是否相同）
		if uf.Find(e.from) != uf.Find(e.to) {
			mst = append(mst, e) // 不连通，加入MST
			uf.Union(e.from, e.to) // 合并两个顶点的集合
		}
	}
	return mst // 返回MST的所有边
}

func main() {
	edges := []Edge{
		{0, 1, 2},
		{0, 3, 6},
		{1, 2, 3},
		{1, 3, 8},
		{1, 4, 5},
		{2, 4, 7},
		{3, 4, 9},
	}
	mst := Kruskal(edges, 5)
	for _, e := range mst {
		fmt.Printf("Edge %d-%d: %d\n", e.from, e.to, e.weight)
	}
}

性能比较

Prim算法：适合稠密图，时间复杂度为O(V²)（使用邻接矩阵）或O(E log V)（使用优先队列）。
Kruskal算法：适合稀疏图，时间复杂度为O(E log E)，主要开销在于排序边。

应用场景

最小生成树算法广泛应用于网络设计（如电缆布线、通信网络）、交通规划（如道路建设）等领域。