【408数据结构】核心考点：图（Graph）精炼笔记与算法直觉

💡 博主前言 ：本文整理自个人的 408 计算机考研复习笔记。本书写特点是拒绝死记硬背，用最直观的大白话提炼算法的核心直觉。笔记中针对高频考点进行了梳理，并对邻接矩阵幂次原理、Prim 与 Dijkstra 算法的"集合思想"进行了深度扩展与全流程图解。希望能帮到一起备考的伙伴们！

文章目录

- [📌 一、图的基本概念与核心性质](#📌 一、图的基本概念与核心性质)
- - [1. 基础定义与边数关系](#1. 基础定义与边数关系)
  - [2. 路径与环](#2. 路径与环)
  - [3. 子图与连通性](#3. 子图与连通性)
- [💾 二、图的存储结构与底层原理](#💾 二、图的存储结构与底层原理)
- - [1. 邻接矩阵（Adjacency Matrix）](#1. 邻接矩阵（Adjacency Matrix）)
  - - [🔍 【高频探究】邻接矩阵幂次 A k $i$ $j$ A^k $i$ $j$ Ak $i$ $j$ 的物理意义与原理](#🔍 【高频探究】邻接矩阵幂次 A k [ i ] [ j ] A^k[i][j] Ak[i][j] 的物理意义与原理)
  - [2. 邻接表（Adjacency List）](#2. 邻接表（Adjacency List）)
  - [3. 其他高效存储结构（408常考选填题）](#3. 其他高效存储结构（408常考选填题）)
- [🎯 三、图的遍历算法直觉（大白话总结）](#🎯 三、图的遍历算法直觉（大白话总结）)
- - [1. DFS（深度优先搜索）](#1. DFS（深度优先搜索）)
  - [2. BFS（广度优先搜索）](#2. BFS（广度优先搜索）)
- [🛠️ 四、图的核心算法：基于"集合思想"的深度对决](#🛠️ 四、图的核心算法：基于“集合思想”的深度对决)
- - [📝 【红字突破】Dijkstra 与 Prim "集合思想"的同台对比例题](#📝 【红字突破】Dijkstra 与 Prim “集合思想”的同台对比例题)
  - - [1. 实例场景设定](#1. 实例场景设定)
    - [2. 第一步（Prim 与 Dijkstra 决策相同）](#2. 第一步（Prim 与 Dijkstra 决策相同）)
    - [3. 第二步（分歧产生的命运转折点！）](#3. 第二步（分歧产生的命运转折点！）)
    - - [🌳 方案 A：Prim 算法（目标：连通全图，怎么省钱怎么来）](#🌳 方案 A：Prim 算法（目标：连通全图，怎么省钱怎么来）)
      - [🛣️ 方案 B：Dijkstra 算法（目标：每个人回老家 V 0 V_0 V0 的车费最便宜）](#🛣️ 方案 B：Dijkstra 算法（目标：每个人回老家 V 0 V_0 V0 的车费最便宜）)
  - [💡 核心总结](#💡 核心总结)

📌 一、图的基本概念与核心性质

1. 基础定义与边数关系

弧头与弧尾（有向边） ：有向边表示为 ⟨ v 1 , v 2 ⟩ \langle v_1, v_2 \rangle ⟨v1,v2⟩，有向边的终点叫弧头（Arrowhead），起点叫弧尾（Arrowtail）。
示例：对于有向边 v 1 → v 2 v_1 \to v_2 v1→v2， v 2 v_2 v2 是弧头， v 1 v_1 v1 是弧尾。
顶点的度、入度与出度：
无向图 ：顶点的度数之和等于边数的 2 倍，即 ∑ D ( v ) = 2 e \sum D(v) = 2e ∑D(v)=2e。
有向图：
总入度 = 总出度 = 边数 e e e，即 ∑ I D ( v ) = ∑ O D ( v ) = e \sum ID(v) = \sum OD(v) = e ∑ID(v)=∑OD(v)=e。
有向图中顶点的度数之和为入度与出度之和，即 ∑ D ( v ) = 2 × 入度 = 2 × 出度 = 2 e \sum D(v) = 2 \times \text{入度} = 2 \times \text{出度} = 2e ∑D(v)=2×入度=2×出度=2e。
完全图的边数上限公式：
无向完全图 ： n n n 个顶点，任意两点间都有一条边 ⇒ \Rightarrow ⇒ 边数 e = n ( n − 1 ) 2 e = \frac{n(n-1)}{2} e=2n(n−1)。
有向完全图 ： n n n 个顶点，任意两点间都有方向相反的两条有向边 ⇒ \Rightarrow ⇒ 边数 e = n ( n − 1 ) e = n(n-1) e=n(n−1)。

2. 路径与环

路径：顶点序列 v 1 , v 2 , v 3 ... v_1, v_2, v_3 \dots v1,v2,v3... 构成的序列。若序列长度为 2，则包含 2 条边。
回路（环）：起点和终点是同一个顶点的路径。

3. 子图与连通性

子图：顶点集和边集分别是父图的顶点集和边集的子集的图。(形象记忆：树苗是整棵大树的子图)。
连通图（无向图）：图中任意两个顶点之间都是连通的（即存在路径）。
极大连通子图（连通分量）：无向图中的非连通图，其极大的连通子部分。若任意添加一个顶点都会导致图变成非连通，则该子图为极大连通子图。
极小连通子图（生成树） ：包含图中全部 n n n 个顶点和 n − 1 n-1 n−1 条边的极小连通子图。
🔥 核心直觉 ：若少一条边，则图不再连通；若多一条边，则图中必产生环。
生成森林：由多个连通分量的生成树组成的非连通图。
强连通图（有向图）：有向图中任意两个顶点都存在双向路径（路径中可以包含中转顶点）。
强连通分量 ：有向图中的极大强连通子图。

💾 二、图的存储结构与底层原理

1. 邻接矩阵（Adjacency Matrix）

存储方式：
顶点数组：v[n]（Vertex 顶点集）
边数组：e[n][n]（Edges 边集，二维数组）
特点：适用于稠密图，空间利用率高。
对称性 ：无向图 的邻接矩阵都是对称矩阵，满足 A = A T A = A^T A=AT，在实际工程中可以采用压缩存储（只存上三角或下三角）来节省空间。

🔍 【高频探究】邻接矩阵幂次 A k $i$ $j$ A^k $i$ $j$ Ak $i$ $j$ 的物理意义与原理

❓ 思考红字 ：若邻接矩阵为 A A A，那么 e d g e s k $i$ $j$ edges^k $i$ $j$ edgesk $i$ $j$ 表示从顶点 i i i 到顶点 j j j 之间长度为 k k k 的路径条数。它的底层数学原理是什么？

原理剖析 ：我们以 k = 2 k=2 k=2 时的矩阵乘法公式展开：

A 2 $i$ $j$ = ∑ m = 1 n A $i$ $m$ × A $m$ $j$ A^2 $i$ $j$ = \sum_{m=1}^{n} A $i$ $m$ \times A $m$ $j$ A2 $i$ $j$ =m=1∑nA $i$ $m$ ×A $m$ $j$

A $i$ $m$ = 1 A $i$ $m$ = 1 A $i$ $m$ =1 表示存在边 i → m i \to m i→m；
A $m$ $j$ = 1 A $m$ $j$ = 1 A $m$ $j$ =1 表示存在边 m → j m \to j m→j；
只有当 A $i$ $m$ × A $m$ $j$ = 1 A $i$ $m$ \times A $m$ $j$ = 1 A $i$ $m$ ×A $m$ $j$ =1 时，才说明存在一条通过中转点 m m m 的路径 i → m → j i \to m \to j i→m→j，其长度恰好为 2。
通过 ∑ \sum ∑ 对所有可能的中转点 m m m 进行求和，得到的便是从 i i i 到 j j j 长度为 2 的路径总条数。以此类推，通过数学归纳法可证明 A k $i$ $j$ A^k $i$ $j$ Ak $i$ $j$ 即为长度为 k k k 的路径条数。

2. 邻接表（Adjacency List）

空间复杂度：
有向图： O ( n + e ) O(n+e) O(n+e)
无向图： O ( n + 2 e ) O(n+2e) O(n+2e) （因为每条无向边在表中被记录了两次）
🔥 出度/入度查询方法总结：
顶点的出度极其容易获取，就是该顶点挂载的单链表中边结点的个数。
顶点的入度则较为麻烦，需要遍历整个邻接表的所有链表才能统计出来。

3. 其他高效存储结构（408常考选填题）

十字链表：用于优化有向图，能同时在常数或极短时间内获取出度和入度。
邻接多重表：用于优化无向图，方便对边进行标记、删除等操作。

🎯 三、图的遍历算法直觉（大白话总结）

对于图的深度优先（DFS）与广度优先（BFS）遍历，可以用两句极简的"算法直觉"来概括本质：

1. DFS（深度优先搜索）

🔥 方法总结 ："只要不成环，一直找邻居 ⟶ \longrightarrow ⟶"
算法直觉：这是一种"一条路走到黑"的贪心回溯思想。利用了栈（Stack）或递归的特性，只要当前顶点的邻居节点没有被访问过（不成环），就立刻深入访问邻居的邻居，直到撞到南墙再回溯。

2. BFS（广度优先搜索）

🔥 方法总结 ："逐层遍历 🎯"
算法直觉：以初始起点为核心，像水波纹一样一层一层向外扩散。利用了队列（Queue）的特性，先访问当前节点的所有直接邻居（第一层），再依次访问邻居的邻居（第二层）。

🛠️ 四、图的核心算法：基于"集合思想"的深度对决

在考研中，Prim算法 、Kruskal算法 与Dijkstra算法是手算模拟和算法理解的重中之重。下面先给出精炼总结，随后展开详细的例题对比。

🔥 Prim（普里姆）算法：从初始顶点出发，逐个寻找离"这一集合"（集合初始只有起点）最近的点，且把这一点合并进集合，直到所有点都归并到集合。
特质：加点法，时间复杂度与边数无关，适合稠密图。
🔥 Kruskal（克鲁斯卡尔）算法 ：从最短边搭起，每一步连接当下最短的边（不允许成环），直到所有点都被连通。
特质：加边法，通常采用并查集判环，适合稀疏图。
🔥 Dijkstra（迪杰斯特拉）算法：与 Prim 一样，基于"集合"的思想。
特质：单源最短路径算法。

📝 【红字突破】Dijkstra 与 Prim "集合思想"的同台对比例题

虽然 Prim 和 Dijkstra 都在执行"将红点（未加入集合）变为蓝点（已加入集合）"的操作，且都用到了贪心策略，但它们的更新代价（Distance）的逻辑有着本质的区别。

1. 实例场景设定

假设图中有三个顶点： V 0 V_0 V0（源点/起点）、 V 1 V_1 V1、 V 2 V_2 V2。

各边权重如下：

V 0 → V 1 V_0 \to V_1 V0→V1 = 2
V 0 → V 2 V_0 \to V_2 V0→V2 = 10
V 1 → V 2 V_1 \to V_2 V1→V2 = 3

我们将已选入的顶点划入集合 S S S，未选入的划入集合 V − S V-S V−S。初始状态下， S = { V 0 } S = \{V_0\} S={V0}。

2. 第一步（Prim 与 Dijkstra 决策相同）

此时未加入集合的点中，离 V 0 V_0 V0 最近的是 V 1 V_1 V1（距离为 2）。
将 V 1 V_1 V1 收入集合，此时已选集合 S = { V 0 , V 1 } S = \{V_0, V_1\} S={V0,V1}。

3. 第二步（分歧产生的命运转折点！）

现在我们需要决定如何将最后一个点 V 2 V_2 V2 纳入麾下。这时候两个算法在"计算距离"时展现出了完全不同的脑回路：

🌳 方案 A：Prim 算法（目标：连通全图，怎么省钱怎么来）

计算逻辑 ： V 2 V_2 V2 距离整个已选集合 S { V 0 , V 1 } S \{V_0, V_1\} S{V0,V1} 这个整体的最短单条边是谁？
看 V 0 → V 2 V_0 \to V_2 V0→V2 边权是 10；
看 V 1 → V 2 V_1 \to V_2 V1→V2 边权是 3。
做出决策 ：通过 V 1 V_1 V1 连过去明显更省边权！所以 Prim 认为 V 2 V_2 V2 当前的候选距离是 3。
最终结果 ：选择边 ( V 1 , V 2 ) (V_1, V_2) (V1,V2)，最小生成树（MST）的总权重 = 2 + 3 = 5 2 + 3 = 5 2+3=5。

🛣️ 方案 B：Dijkstra 算法（目标：每个人回老家 V 0 V_0 V0 的车费最便宜）

计算逻辑 ： V 2 V_2 V2 跨过集合后，回到"源点 V 0 V_0 V0"的总累加路径长度是多少？
直达路线 V 0 → V 2 V_0 \to V_2 V0→V2：总长 10；
中转路线 V 0 → V 1 → V 2 V_0 \to V_1 \to V_2 V0→V1→V2：总长 = ( V 0 → V 1 ) + ( V 1 → V 2 ) = 2 + 3 = 5 (V_0 \to V_1) + (V_1 \to V_2) = 2 + 3 = 5 (V0→V1)+(V1→V2)=2+3=5。
做出决策 ：走中转路线总里程更短！Dijkstra 执行松弛操作（Relaxation） ： D $V 2$ = min ⁡ ( 10 , 2 + 3 ) = 5 D $V_2$ = \min(10, 2+3) = 5 D $V2$ =min(10,2+3)=5。Dijkstra 认为 V 2 V_2 V2 的最短路径值是 5。
最终结果 ：求得 V 0 V_0 V0 到 V 2 V_2 V2 的最短路径长度为 5。

💡 核心总结

Prim 算法 ：每次向外探摸时，只关心红点到已选集合边界的单条最省边长（局部最优连通）。

Dijkstra 算法 ：每次向外探摸时，关心的是红点越过边界后，一路走回源点的总累加里程（全局最优路径）。

通过这种大白话的模型构建，无论是面对 408 考研中的选择题模拟，还是大题的手算，都能做到数感清晰，准确率百分之百！