计算机网络与图算法：从理论到实践

《图算法与计算机网络》系列 · 第 1 篇

本文是系列的开篇之作，将带你理解为什么计算机网络本质上是图结构，以及图算法如何在网络中发挥关键作用。

系列文章导航

篇目	标题
第 1 篇	计算机网络与图算法：从理论到实践
[第 2 篇](#篇目标题第 1 篇计算机网络与图算法：从理论到实践第 2 篇从 Dijkstra 到 A*：贪心策略与启发式搜索第 3 篇 Bellman-Ford、SPFA 与 Floyd-Warshall：动态规划的力量第 4 篇构建最优网络：Prim 与 Kruskal 算法第 5 篇探索网络结构：BFS、DFS 与拓扑排序第 6 篇流量优化之道：Ford-Fulkerson 最大流算法)	从 Dijkstra 到 A*：贪心策略与启发式搜索
[第 3 篇](#篇目标题第 1 篇计算机网络与图算法：从理论到实践第 2 篇从 Dijkstra 到 A*：贪心策略与启发式搜索第 3 篇 Bellman-Ford、SPFA 与 Floyd-Warshall：动态规划的力量第 4 篇构建最优网络：Prim 与 Kruskal 算法第 5 篇探索网络结构：BFS、DFS 与拓扑排序第 6 篇流量优化之道：Ford-Fulkerson 最大流算法)	Bellman-Ford、SPFA 与 Floyd-Warshall：动态规划的力量
[第 4 篇](#篇目标题第 1 篇计算机网络与图算法：从理论到实践第 2 篇从 Dijkstra 到 A*：贪心策略与启发式搜索第 3 篇 Bellman-Ford、SPFA 与 Floyd-Warshall：动态规划的力量第 4 篇构建最优网络：Prim 与 Kruskal 算法第 5 篇探索网络结构：BFS、DFS 与拓扑排序第 6 篇流量优化之道：Ford-Fulkerson 最大流算法)	构建最优网络：Prim 与 Kruskal 算法
[第 5 篇](#篇目标题第 1 篇计算机网络与图算法：从理论到实践第 2 篇从 Dijkstra 到 A*：贪心策略与启发式搜索第 3 篇 Bellman-Ford、SPFA 与 Floyd-Warshall：动态规划的力量第 4 篇构建最优网络：Prim 与 Kruskal 算法第 5 篇探索网络结构：BFS、DFS 与拓扑排序第 6 篇流量优化之道：Ford-Fulkerson 最大流算法)	探索网络结构：BFS、DFS 与拓扑排序
[第 6 篇](#篇目标题第 1 篇计算机网络与图算法：从理论到实践第 2 篇从 Dijkstra 到 A*：贪心策略与启发式搜索第 3 篇 Bellman-Ford、SPFA 与 Floyd-Warshall：动态规划的力量第 4 篇构建最优网络：Prim 与 Kruskal 算法第 5 篇探索网络结构：BFS、DFS 与拓扑排序第 6 篇流量优化之道：Ford-Fulkerson 最大流算法)	流量优化之道：Ford-Fulkerson 最大流算法

文章目录

- 系列文章导航
- [1. 为什么计算机网络是图？](#1. 为什么计算机网络是图？)
- - [1.1 从现实网络到抽象图](#1.1 从现实网络到抽象图)
  - [1.2 实际案例：互联网拓扑](#1.2 实际案例：互联网拓扑)
  - [1.3 网络问题 = 图问题](#1.3 网络问题 = 图问题)
- [2. 图的基本概念回顾](#2. 图的基本概念回顾)
- - [2.1 图的定义](#2.1 图的定义)
  - [2.2 图的分类](#2.2 图的分类)
  - - [有向图 vs 无向图](#有向图 vs 无向图)
    - [加权图 vs 无权图](#加权图 vs 无权图)
    - 环路与连通性
- [3. 图的存储结构](#3. 图的存储结构)
- - [3.1 邻接矩阵（Adjacency Matrix）](#3.1 邻接矩阵（Adjacency Matrix）)
  - [3.2 邻接表（Adjacency List）](#3.2 邻接表（Adjacency List）)
  - [3.3 边列表（Edge List）](#3.3 边列表（Edge List）)
  - [3.4 存储结构对比](#3.4 存储结构对比)
- [4. 图算法分类概览](#4. 图算法分类概览)
- - [4.1 最短路径算法](#4.1 最短路径算法)
  - [4.2 最小生成树算法](#4.2 最小生成树算法)
  - [4.3 图遍历算法](#4.3 图遍历算法)
  - [4.4 网络流算法](#4.4 网络流算法)

1. 为什么计算机网络是图？

1.1 从现实网络到抽象图

计算机网络本质上就是一个**图（Graph）**结构。让我们来看看如何对应：

对应关系：

网络概念	图论概念	说明
路由器、交换机	节点（Vertex）	网络设备
物理链路、逻辑连接	边（Edge）	设备间的连接
延迟、带宽、成本	权重（Weight）	边的属性

1.2 实际案例：互联网拓扑

复制代码

                    北京核心节点
                   /    |    \
                  /     |     \
              上海     广州    成都
              / | \    / \    / |
           南京 杭州...深圳... 重庆 昆明

这就是一个典型的有向加权图：

节点：各个城市的网络节点
边：城市间的网络链路
权重：链路延迟、带宽成本等

1.3 网络问题 = 图问题

网络问题	图论问题	对应算法
最优路由选择	最短路径	Dijkstra、A*、Bellman-Ford、Floyd-Warshall
网络拓扑设计	最小生成树	Prim、Kruskal
网络发现	图遍历	BFS、DFS
带宽优化	最大流	Ford-Fulkerson

2. 图的基本概念回顾

2.1 图的定义

图（Graph） 由两部分组成：

顶点集 V（Vertex）：所有节点的集合
边集 E（Edge）：所有边的集合

python 复制代码

# 图的 Python 表示
graph = {
    'V': {0, 1, 2, 3},  # 顶点集
    'E': [(0,1), (0,2), (1,3), (2,3)]  # 边集
}

2.2 图的分类

有向图 vs 无向图

复制代码

无向图：A─────B    （边没有方向，可以双向通行）
         \   /
          \ /
           C

有向图：A → B      （边有方向，只能单向通行）
        ↓ ↘
        C → D

网络中的应用：

无向图：对等网络连接、以太网
有向图：客户端 - 服务器模型、单向链路

加权图 vs 无权图

复制代码

无权图：A───B    （只关心是否连通）
        │ ╱ │
        C───D

加权图：A─⁴─B    （边有权重，表示距离/成本）
        │╲⁵ │
       ²│ ╲³│
        │ ⁴╲│
        C──D

网络中的应用：

无权图：跳数计算、连通性检测
加权图：延迟优化、带宽分配、成本最小化

环路与连通性

复制代码

有环图：A → B → C    （存在环路 A→B→C→A）
        ↑      ↓
        └──────┘

无环图：A → B → C    （无环路，树形结构）
               ↓
               D

重要概念：

环路（Cycle）：从某节点出发能回到自身的路径
连通图（Connected Graph）：任意两点都有路径相连
强连通（有向图）：任意两点都能互相到达

3. 图的存储结构

选择合适的存储结构对算法性能至关重要。

3.1 邻接矩阵（Adjacency Matrix）

定义：用二维数组表示图，matrix[i][j] 表示节点 i 到 j 的边

python 复制代码

# 无向图的邻接矩阵
#    0  1  2  3
matrix = [
    [0, 1, 1, 0],  # 0
    [1, 0, 0, 1],  # 1
    [1, 0, 0, 1],  # 2
    [0, 1, 1, 0]   # 3
]

# 加权图（数字表示权重，∞表示无边）
#    0  1  2  3
matrix = [
    [0, 4, 2, ∞],  # 0
    [4, 0, ∞, 3],  # 1
    [2, ∞, 0, 5],  # 2
    [∞, 3, 5, 0]   # 3
]

特点：

优点：
- 判断两点间是否有边：O(1)
- 实现简单
- 适合稠密图（边多）
缺点：
- 空间复杂度：O(V²)
- 遍历邻居：O(V)
- 稀疏图浪费空间

适用场景：

节点数量较少（V ≤ 1000）
边比较密集（E ≈ V²）
需要频繁判断两点间是否有边

3.2 邻接表（Adjacency List）

定义：用数组 + 链表表示图，每个节点存储其所有邻居

python 复制代码

# 无权图的邻接表
graph = {
    0: [1, 2],      # 节点 0 的邻居是 1 和 2
    1: [0, 3],
    2: [0, 3],
    3: [1, 2]
}

# 加权图的邻接表（存储邻居和权重）
graph = {
    0: [(1, 4), (2, 2)],      # 0→1 权重 4, 0→2 权重 2
    1: [(0, 4), (3, 3)],
    2: [(0, 2), (3, 5)],
    3: [(1, 3), (2, 5)]
}

特点：

优点：
- 空间复杂度：O(V + E)
- 遍历邻居：O(邻居数量)
- 适合稀疏图
缺点：
- 判断两点间是否有边：O(邻居数量)
- 实现稍复杂

适用场景：

节点数量较多
边比较稀疏（E << V²）
需要频繁遍历邻居

3.3 边列表（Edge List）

定义：简单地用列表存储所有边

python 复制代码

# 无权图
edges = [(0, 1), (0, 2), (1, 3), (2, 3)]

# 加权图（三元组：起点，终点，权重）
edges = [
    (0, 1, 4),
    (0, 2, 2),
    (1, 3, 3),
    (2, 3, 5)
]

特点：

优点：
- 实现最简单
- 空间紧凑：O(E)
- 适合需要遍历所有边的算法
缺点：
- 查找特定节点的邻居：O(E)
- 判断两点间是否有边：O(E)

适用场景：

Kruskal 算法（需要遍历所有边）
Bellman-Ford 算法
边数较少的图

3.4 存储结构对比

特性	邻接矩阵	邻接表	边列表
空间复杂度	O(V²)	O(V + E)	O(E)
判断边存在	O(1)	O(度)	O(E)
遍历邻居	O(V)	O(度)	O(E)
遍历所有边	O(V²)	O(V + E)	O(E)
适合稠密图	✅	❌	❌
适合稀疏图	❌	✅	✅

选择建议：

节点少、边多 → 邻接矩阵
节点多、边少 → 邻接表
需要遍历所有边 → 边列表

4. 图算法分类概览

根据解决的问题类型，图算法可以分为四大类：

4.1 最短路径算法

问题：找到两个节点之间的最优路径

复制代码

起点 S，终点 T
    S
   /|\
  / | \
  ● ● ●  哪条路径最优？
  \ | /
   \|/
    T

核心算法：

Dijkstra：单源最短路径（无负权边）
Bellman-Ford：单源最短路径（可处理负权边）
SPFA：Bellman-Ford 的队列优化
Floyd-Warshall：所有节点对的最短路径
A*：启发式搜索最短路径

网络应用：

OSPF、RIP 路由协议
GPS 导航
网络延迟优化

4.2 最小生成树算法

问题：用最小成本连接所有节点

复制代码

原始图：              最小生成树：
   A                    A
  /|\                  / \
 B-C-D                B   C-D
（边多成本高）        （连接所有点，成本最低）

核心算法：

Prim：从点开始扩展
Kruskal：从边开始构建

网络应用：

网络拓扑设计
光缆铺设优化
生成树协议（STP）

4.3 图遍历算法

问题：系统地访问图中所有节点

复制代码

BFS（广度优先）：      DFS（深度优先）：
    S                    S
   /|\                   |
  ● ● ●（一层层）         ●
                        /|\
                       ● ● ●（一条路走到底）

核心算法：

BFS：广度优先搜索
DFS：深度优先搜索

网络应用：

网络发现
拓扑排序
连通性检测

4.4 网络流算法

问题：在容量限制下最大化流量

复制代码

源点 S，汇点 T
每条边有容量限制

     S
   / | \
  10 8 12  如何最大化到 T 的流量？
   \ | /
     T

核心算法：

Ford-Fulkerson：增广路径算法
Edmonds-Karp：BFS 实现的 Ford-Fulkerson

网络应用：

带宽分配
流量工程
网络拥塞控制