图G由顶点集V和边集E组成,记为G=(V,E),其中V(G)表示图G中顶点的有限非空集;E(G)表示图G中顶点之间的关系(边)集合。若V= {V1, v2,…, vn}, 则用|V|表示图G中顶点的个数,E={(u,v)|u∈V, v∈V },用|E|表示图G中边的条数。
若E是有向边(也称弧)的有限集合时,则图G为有向图。弧是顶点的有序对,记为<v, w>, 其中v.w是顶点,v称为弧尾,w称为弧头,<v,w>称为从v到w的弧,也称v邻接到w。
若E是无向边(简称边)的有限集合时,则图G为无向图。边是顶点的无序对,记为(v, w)或(w,)。可以说w和v互为邻接点。边(v, w依附于w和v,或称边(v, w)和v, w相关联。
一个图G如果满足:①不存在重复边:②不存在顶点到自身的边,那么称图G为简单图。
若图G中某两个顶点之间的边数大于1条,又允许顶点通过一条边和自身关联,则称图G为多重图。多重图和简单图的定义是相对的。数据结构中仅讨论简单图。
对于无向图,|E|的取值范围为0到n(n -1)/2,有n(n - 1)/2条边的无向图称为完全图,在完全图中任意两个顶点之间都存在边。对于有向图,|E|的取值范围为0到n(n -1),有n(n -1)条弧的有向图称为有向完全图,在有向完全图中任意两个顶点之间都存在方向相反的两条弧。
设有两个图G=(V, E)和G’=(V’,E’),若V是V的子集,且E’是E的子集,则称G’是G的
子图。若有满足V(G’)= V(G)的子图G’,则称其为G的生成子图。图6.1中G3为G的子图。
强连通图、强连通分量
在有向图中,如果有一对顶点 v和w,从v到w和从w到v之间都有路径,则称这两个顶点
是强连通的。若图中任何一对顶点都是强连通的,则称此图为强连通图。有向图中的极大强连通子图称为有向图的强连通分量,
注意:在无向图中讨论连通性,在有向图中讨论强连通性。
有向图强连通情况下边最少的情况; 至少需要N条边,构成一个环路.
生成树、生成森林
连通图的生成树是包含图中全部项点的一个极小连通子图。若图中顶点数为n,则它的生成
树含有n-1条边。包含图中全部顶点的极小连通子图,只有生成树满足这个极小条件,对生成树而言,若砍去它的一条边, 则会变成非连通图,若加上一条边则会形成一个回路。在非连通图中,连通分量的生成树构成了非连通图的生成森林。
注意: 区分极大连通子图和极小连通子图,极大连通子图是无向图的连通分量, 极大即要求该连通子图包含其所有的边; 极小连通子图是既要保持图连通又要使得边数最小的子图.
顶点的度、入度和出度
在无向图中,顶点v的度是指依附于顶点v的边的条数,记为TD(v).
无向图的全部顶点的度的和等于边数的两倍, 因为每条边和两个顶点相关联.
有向图的全部顶点的入度之和与出度之和相等,并且等于边数, 因为每条有向边都有一个起点和终点.
边的权和网
在一个图中,每条边都可以标上具有某种含义的数值,该数值称为该边的权值。这种边上带
有权值的图称为带权图,也称网。
稠密图、稀疏图
边数很少的图称为稀疏图,反之称为稠密图。稀疏和稠密本身是模糊的概念,稀疏图和稠密
图常常是相对而言的。一般当图G满足|E|< |V|log|V|时,可以将G视为稀疏图。
路径、路径长度和回路
顶点vp到顶点vq之间的一条路径是指顶点序列vp , vi1 , vi2 , …,vlm ,Vq,
当然关联的边也可理解为路径的构成要素。路径上边的数目称为路径长度。第一个顶点和最后一个顶点相同的路径称为回路或环。若一个图有n个顶点,并且有大于n-1条边,则此图一定有环。
简单路径、筒单回路
在路径序列中,顶点不重复出现的路径称为简单路径。除第一个顶点和最后一个顶点外,其
余顶点不重复出现的回路称为简单回路。
距离
从顶点u出发到顶点v的最短路径若存在,则此路径的长度称为从u到v的距离。若从u到
v根本不存在路径,则记该距离为无穷(∞)。
有向树
一个顶点的入度为0、其余顶点的入度均为1的有向图,称为有向树。
用一个一位数组存储图中顶点的信息,用一个二维数组存储图中边的信息(即各顶点之间的邻接关系),存储顶点之间邻接关系的二维数组称为邻接矩阵.
每一行代表该结点的出度, 每一列表示该结点的入度
//定义 #define MaxVertexNum 100 //顶点数目的最大值 typedef char VertexType; //顶点的数据类型 typedefe int EdgeType; //带权图中边上权值的数据类型 typedef struct{ VertexType Vex[MaxVertexNum]; //顶点表 EdgeType Edge[MaxVertexNum][MaxVertexNum]; //临界矩阵 ,边表 int vexnum,arcnum; //图的当前顶点数和 弧数 }MGraph;
当一个图为稀疏图时,使用邻接矩阵法显然要浪费大量的存储空间,而图的邻接表法结合了顺序存储和链式存储方法,大大减少了这种不必要的浪费。
所谓邻接表,是指对图G中的每个顶点vi建立一个 单链表,第i个单链表中的结点表示依附于顶点vi的边(对于有向图则是以顶点vi为尾的弧),这个单链表就称为顶点vi的边表(对于有向图则称为出边表)。边表的头指针和顶点的数据信息采用顺序存储(称为顶点表),所以在邻接表中存在两种结点:顶点表结点和边表结点
顶点表结点由顶点域(data)和指向第一条邻接边的指针(firstarc) 构成,边表(邻接表)结点由邻接点域(adjvex) 和指向下一条邻接边的指针域(nextarc) 构成。
无向图邻接表
有向图邻接表
特点:
- 若G为无向图,则所需的存储空间为O(|V|+ 2|E|);若G为有向图,则所需的存储空间为O(|V|+|E|)
十字链表是有向图的一种链式存储结构. 对应于有向图中每条弧有一个结点,对应于每个顶点也有一个结点
Adjacent (G,x,y): 判断图G是否存在边<x, y>或(x, y)。 Neighbors (G,x):列出图G中与结点x邻接的边。 InsertVertex (G,x): 在图G中插入顶点x。 DeleteVertex(G,x): 从图G中删除顶点x。 AddEdge (G,X, y):若无向边(x, y)或有向边<x, y>不存在,则向图G中添加该边。 RemoveEdge (G, x,y): 若无向边(x, y)或有向边<x, y>存在,则从图G中删除该边。 FirstNeighbor(G,x):求图G中顶点x的第一个邻接点,若有则返回顶点号。若x没有邻接点或图中不存在x,则返回-1 NextNeighbor(G,x,y):假设图G中顶点y是顶点x的一一个邻接点,返回除y外顶点x的下一个邻接点的顶点号,若y是x的最后一一个邻接点,则返回-1。 Get_edge_value(G, x,y): 获取图G中边(x, y)或<x, y>对应的权值。家园 set_edge_value(G,x,y,v):设置图G中边(x, y)或<x, y>对应的权值为v。
广度优先搜索类似于二叉树的层序遍历算法. 基本思想是先访问起始顶点V, 接着由V出发,依次访问V的各个为访问过的邻接顶点W1,W2…然后依次访问W1,W2,…的所有未被访问的邻接顶点;再从这些访问过的顶点出发, 访问他们所有未被访问过的邻接顶点, 直至图中所有顶点都被访问过为止.若此时图中尚有顶点未被访问,则另选图中一个未曾被访问的顶点作为始点,重复上述过程.直到图中所有顶点都被访问到为止.
换句话说,广度优先搜索遍历图的过程是以v为起始点,由近至远依次访问和v有路径相通且路径长度为1, 2, .的顶点。广度优先搜索是一种分层的查找过程,每向前走一步可能访问一批顶点,不像深度优先搜索那样有往回退的情况,因此它不是一一个递归的算法。为了实现逐层的访问,算法必须借助一个辅助队列,以记忆正在访问的顶点的下一层顶点。
代码:
//二叉树层序遍历用队列的思想 bool visited[MAX_VERTEX_NUM]; //访问标记数组 void BFSTraverse(Graph G){ //对图 G进行广度优先遍历 for (i=0; i<G.vexnum; ++i) visited[i]=FALSE; //访间标记数组初始化 InitQueue(Q); //初始化辅助队列Q for(i=0;i<G,vexnum;++i) //从0号顶点开始遍历 if(!visited[i]) //对每个连通分且调用一次BFS BFS(G,i); //vi未访问过,从vi开始BFS } void BFS (Graph G,int v){ //从顶点v出发,广度优先遍历图G visit(v); //访问初始顶点v visited[v]=TRUE; //对v做已访问标记 Enqueue(Q,v); //顶点v入队列Q while(isEmpty(Q)){ DeQueue(Q,v); //顶点V出队列 for(w=FirstNeighbor(G,v);w>=0;w=NextNeighbor(G,v,w)) //检测V所有邻接点 if(!visited[w]){ //W为V的尚未访问邻接顶点 visit(w); //访问顶点W visited[w] = TRUE; // 对W做已访问标记 EnQueue(Q,w) //顶点W入队列 } //if } //while }
采用邻接表存储方式时,每个顶点均需搜索一次(或入队一次),故时间复杂度0(|V|),在搜索任顶点的邻接点时,每条边至少访问一次,故时间复杂度为0(|E|), 算法总的时间复杂度为0(|V|+ |E|)。采用邻接矩阵存储方式时,查找每个顶点的邻接点所需的时间为o(|V|),故算法总的时间复杂度为0(|V|^2)。
邻接表—>V+E
矩阵—>V^2
若图G=(V,E)为非带权图,定义从顶点u到顶点v的最短路径d(u,v)为从u到v的任何路径
中最少的边数;若从u到v没有通路,则d(u,v)=∞。
使用BPS,我们可以求解一一个满足 上述定义的非带权图的单源最短路径问题,这是由广度优先搜索总是按照距离由近到远来遍历图中每个顶点的性质决定的。
算法:
void BFS_MIN_Distance(Graph G,int u){ //d[i]表示从U到i节点的最短路径 for (i=0;i<G.vexnum;++i) d[i] = ∞; visited[i] = TRUE, d[u]=0; EnQueue(Q,u); while(!isEmpty(Q)){ DeQueue(Q,u); //队头元素入队 for(w=FirstNeighhor(G,u);w>=0;w=NextNeighbor(G,u,w)) if(!visited[w]){ //w为u的尚未访问的邻接结点 visited[w]=TRUE; //设已访问标记 d[w]=d[u]+1; //路径长度加1 EnQueue(Q,w); //顶点W入队 }//if }//while }
深度优先搜索类似于树的先序遍历
它的基本思想如下:首先访问图中某一起始顶点V,.然后由v出发,访问与v邻接且未被访
问的任一顶点w1,再访问与w1邻接且未被访问的任一顶点…重复上述过程。当不能再继续向下访问时,依次退回到最近被访问的顶点,若它还有邻接顶点未被访问过,则从该点开始继续上述搜索过程,直至图中所有顶点均被访问过为止。
算法:
bool visited[MAX_VERTEX_NUM]; //访问标记数组 void DFSTraverse(Graph G){ //对图G进行深度优先遍历 for(v=0;v<G.vexnum; ++v) visited[v]=FALSE; //初始化已经访问标记数据 for(v=0;v<G.vexnum;++v) //从V=0开始遍历 if(!visited[v]) DFS(G,v); } void DFS(Graph G,int v){ //从顶点V出发,深度优先遍历图G visit(v); //访问顶点V visited[v]=TRUE; //设已经访问标记 for(w=FistNeighbor(G,v);w>=0;w=NextNeighbor(G,v,w)) if(!visited[w]){ //W为V的尚未访问的邻接顶点 DFS(G,w); }//if }
邻接表—>V+E
矩阵—>V^2
图的遍历算法可以用来判断图的连通性
判断有向图中是否存在回路,除了可以使用拓扑排序之外,还可以使用深度优先遍历算法
使用DFS算法递归遍历一个无环有向图,并在退出递归时输出对应顶点,得到的是逆拓扑排序.
一个连通图的生成树包含图的所有顶点,并且只含尽可能少的边。对于生成树来说,若砍去它的一条边,则会使生成树变成非连通图;若给它增加一条边,则会形成图中的一条回路。
性质
1)最小生成树不是唯一的. 当图G中的各边权值户部巷等你时,G的最小生成树是唯一的;若无相连通图G的边数比顶点数少1, 即G本身是一棵树时, 则G的最小生成树就是他本身.
2)最小生成树的边的权值之和总是唯一的, 虽然最小生成树不唯一,但其对应的边的权值之和总是唯一的,而且是最小的。
3)最小生成树的边数为顶点数减1.
Prim算法
Prim普里姆算法类似于寻找图的最短路径的Dijkstra算法
初始时,从图中任取一顶点加入树T,此时树中只含有一个顶点, 之后选择一个与当前T中顶点集合距离最近的顶点, 并将该顶点和对应的边加入T, 每次操作后T中的顶点数和边数都增1. 得到T就是最小生成树, T中必然有N-1条边
算法时间复杂度V^2, 适用于边稠密图
Kruskal算法
是一种按权值的递增次序选择合适的边来构建最小生成树的方法.
Kruskal算法构造最小生成树的过程. 初始时为只有n个顶点而尤边的非连通图T= {V, {}}, 每个顶点自成一个连通分量,然后按照边的权值由小到大的顺序,不断选取当前未被选取过且权值最小的边,若该边依附的顶点落在T中不同的连通分量上,则将此边加入T.否则舍弃此边而选择下一条权值最小的边。以此类推,直至T中所有顶点都在一个连通分量上。
时间复杂度eloge ,适用于边稀疏图
时间复杂度 V^2
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3ZUU2C8f-1640875971851)(picture/dj.png)]Floyd算法
算法思想: 递推产生一个N阶方阵, A[i][j]
表示从顶点vi到顶点vk的路径长度,
时间复杂度 V^3
((a+b)*(b*(c+d))+(c+d)*e)*((c+d)*e)
有相同的表达式(c+d)和(c+d)*e
AOV网:若用DAG图表示一个工程,其顶点表示活动, 用有向边<vi,vj>表示vi必须先于活动vj进行的这样的一种关系.
bool Topotogica1sort(Graph G){ Tnitstack(s); //初始化栈,存储入度为0的顶点 for(int i=0;i<G.vexnum ;i++) if(indegreee[i]==0) Push(S,i); //将所有入度为0 的顶点进栈 int count=0; //计数,记录当前已经输出的顶点数 while (!IsEmpty(S)){ //栈不空,则存在入度为0的顶点 Pop(S.i);//栈顶元察出栈 print[count++]=i //输出顶点i for(p=G.vertices[i].firstarc;p;p=p->nextarc){ //将所有i指向的顶点的入度减1,并且将入度减为0的项点压入栈S v=p->adjvex; if(!(--indegree[v])) Push(S,v); //入度为0,则入栈 } } //while if(count<G.vexnum) return false; //排序失败,有向图中有回路 else return true;//拓扑排序成功 }
由于输出每个顶点的同时还要删除以它为起点的边,故拓扑排序的时间复杂度为o(|V| + |E|)。
对一个AOV网,如果采用下列步骤进行排序,则称之为逆拓扑排序:
①从AOV网中选择一个没有后继(出度为0)的顶点并输出。
②从网中删除该顶点和所有以它为终点的有向边。zx
③重复①和②直到当前的AOV网为空。
用拓扑排序算法处理AOV网时,应注意以下问题:
①入度为零的顶点,即没有前驱活动的或前驱活动都已经完成的顶点,工程可以从这个顶点所代表的活动开始或继续。
②若一个顶点有多个直接后继,则拓扑排序的结果通常不唯一;但若各个顶点已经排在一个线性有序的序列中,每个顶点有唯一的前驱后继关系,则拓扑排序的结果是唯一的。
③由于AOV网中各顶点的地位平等,每个顶点编号是人为的,因此可以按拓扑排序的结果重新编号,生成AOV网的新的邻接存储矩阵,这种邻接矩阵可以是三角矩阵;但对于一
般的图来说,若其邻接矩阵是三角矩阵,则存在拓扑序列;反之则不一定成立。
在带权有向图中,以顶点表示事件,以有向边表示活动,以边上的权值表示完成该活动的开销. 称之为用边表示活动的网络,简称AOE网.
AOV网无权值. AOE网有权值
性质:
①只有在某顶点所代表的事件发生后,从该顶点出发的各有向边所代表的活动才能开始;
②只有在进入某顶点的各有向边所代表的活动都已结束时,该顶点所代表的事件才能发生。
计算ve()值时,按从前往后的顺序进行,可以在拓扑排序的基础上计算:
①初始时,令ve[1…n] = 0.
②输出一个入度为0的顶点vj时,计算它所有直接后继顶点vk的最早发生时间,若ve[j] +
Weight(vj,vk)> ve[k],则ve[k]= ve[j] + Weight(vj, vk)。以此类推,直至输出全部顶点。
事件以的最迟发生时间vl(k)
它是指在不推迟整个工程完成的前提下,即保证它的后继事件vj,在其最迟发生时间vl(j)能够发生时,该事件最迟必须发生的时间。可用下面的递推公式来计算:
vl(汇点) = ve(汇点)
vl(k) = Min{vl(j) - Weight(vk, vj)}, ve为vj 的任意前驱
注意:在计算vl(k)时,按从后往前的顺序进行,可以在逆拓扑排序的基础上计算。
计算vl(0)值时,按从后往前的顺序进行,在上述拓扑排序中,增设一个栈以记录拓扑序列,拓扑排序结束后从栈顶至栈底便为逆拓扑有序序列。过程如下:
①初始时,令vl[1…n] = ve[n].
②栈顶顶点vj出栈,计算其所有直接前驱顶点vk的最迟发生时间,若vl[j] - Weight(vk,vj) <vl[k],则vI[k] = vl[f]] - Weight(vk, vj)。以此类推,直至输出全部栈中顶点。
活动aj的最早开始时间e(i)
它是指该活动弧的起点所表示的事件的最早发生时间。若边<vk, vj>表示活动ai,则有e(i) = ve(k)。
活动a的最迟开始时间l(i)
它是指该活动弧的终点所表示事件的最迟发生时间与该活动所需时间之差。若边<vk, vj>表示活动ai,则有l(i)= v(j) - Weight(vk,vj)
一个活动ai的最迟开始时间l(i)和其最早开始时间e(i)的差额d(i)=l(i)-e(i)
它是指该活动完成的时间余量,即在不增加完成整个工程所需总时间的情况下,活动ai可以拖延的时间,若一个活动的时间余量为零,则说明该活动必须要如期完成,否则会拖延整个工程进度.所以称l(i)- e(i)= 0即l(i) = e(i)的活动ai 是关键活动。