数据结构与算法（十八）：图

一、什么是图

1.概述

首先，我们已经在之前学习过了树这种数据结构，树能反映一对多的关系，但是却无法反映多对多的关系，因此我们引入了图这种数据结构。

对于图，其节点也可以叫做顶点，每个节点具有零或者多个相连节点，每个节点之间的连接称为边，从一个节点到达另一个节点路线都称为路径。

以上图为例，其中：

• 无向图：顶点之间连接没有方向。比如从A到C，可是A -> B -> C，也可以是A -> D -> B -> C。
• 有向图：顶点之间连接有方向。如果A到B，必须是A -> B，不能是B -> A
• 带权图：边带有权值。

2.树与图的关系

实际上，对于有向图还分为两种情况，即图中含环或者图中不含环的单向图，其中含环的图可以从某个顶点出发最终返回原点。

结合对图的定义，我们不难发现，树也可以理解为不含有环的单向图，是图的子集。

两者的区别在于：

• 图中每个节点可以有任意数量的边，而树两个节点间仅仅只有一条边
• 图没有根节点，而树有
• 图中可以存着环，而树不行
• 如果有n个节点，图最多有n*(n-1)条边，而树最多有n-1条边

二、图的表示与构建

图的表示就是边与边关系的表示，有二维数组（邻接矩阵）和链表（邻接表）两种表示方法。

1.邻接矩阵

我们建立一个二维数组（矩阵），第一维表示顶点，而第二维表示与该顶点相连接的点。

比如说0号点与1,2,3,4相连，与0（自己）和5不相连，表示为[0][011110]，其中，二维数组中的1表示与0号点相连，0表示与0号点不相连

2.邻接表

邻接表相比邻接矩阵，只表示关联的边而不表示不关联的表，相对邻接矩阵而言更简洁也更节省空间

3.代码实现

我们使用邻接矩阵的方式来示范如何使用代码构建一个图。

为了方便理解，我们使用两个数组来表示节点与节点之间的对应关系：

如上图，上图的节点之间的对应关系通过两个数组来表示就是{0,0,0,0,1} -> {1,2,3,4,2}，即 0->1,0->2,,0->3,,0->4,,1->2，可见要创建的图有5个节点。

对应实现代码如下：

/**
 * @Author：CreateSequence
 * @Date：2020-08-04 16:50
 * @Description：图
 */
public class Graph {

    //节点与节点间的相连关系
    private int[] node1;
    private int[] node2;
    //有几个节点
    private int num;
    //边的数量
    private int sideNum;

    private int[][] graph;

    public Graph(int[] node1, int[] node2, int num) {
        this.node1 = node1;
        this.node2 = node2;
        this.num = num;
        this.sideNum = 0;

        //创建图
        CreateGraph();
    }

    /**
     * 创建图
     */
    private void CreateGraph(){
        //获取二维数组，一维表示节点，二维表示节点的相邻节点
        graph = new int[num][num];

        //初始化数组
        for (int i = 0; i < num; i++) {
            graph[i] = Arrays.copyOf(graph[i], num);
        }

        //添加节点
        for (int i = 0; i < node1.length; i++) {

            //统计边数
            if (graph[node1[i]][node2[i]] == 0) {
                sideNum++;
            }

            graph[node1[i]][node2[i]] = 1;
            graph[node2[i]][node1[i]] = 1;
        }
    }

    /**
     * 展示图
     */
    public void show() {
        for (int[] n1 : graph) {
            for (int n2 : n1) {
                System.out.print(n2 + " ");
            }
            System.out.println();
        }

        System.out.println("有" + num + "个节点，" + sideNum + "条边");
    }

}

//输出
0 1 1 1 1 
1 0 1 0 0 
1 1 0 0 0 
1 0 0 0 0 
1 0 0 0 0 
有5个节点，5条边

三、图的深度优先搜索

图的遍历有两种策略：深度优先搜索（DFS）和广度优先搜索（BFS）。

以下的演示我们仍基于第二部分创建的图为示例：

1.思路分析

dfs的搜索大体思路是这样的：

首先访问第一个邻接结点，然后再以这个被访问的邻接结点作为初始结点，访问它的第一个邻接结点，然后重复以上步骤直到完成遍历。

这个思路如果学过树的遍历会感觉非常熟悉。由前面知道，树就是一种特殊的图，所以树的前、中、后序遍历其实就是树的dfs。

2.代码实现

将思路转换为代码实现的步骤：

• 访问第一个节点v，并且将其标记为已访问
• 查找第一个节点的邻接节点w：
  1. 如果w节点不存在，则继续查找v的下一个邻接节点
  2. 如果w存在，并且未访问，则将w当成下一个v，进行递归

第一步，我们需要在Graph类中添加isVisted公共变量用于标记节点是否被访问：

//记录节点是否被访问
private boolean[] isVisted;

第二步，我们需要查找节点是否存在相连节点方法

/**
 * 查找邻接节点
 * @param index
 * @return
 */
private int getNeighbor(int index) {
    for (int i = 0; i < graph.length; i++) {
        //如果当前节点存在邻接节点就返回下标
        if (graph[index][i] > 0) {
            return i;
        }
    }
    return -1;
}

/**
 * 查找下一个邻接节点的下标
 * @param index1
 * @param index2
 * @return
 */
private int getNextNeighbor(int index1, int index2) {
    for (int i = index2 + 1; i < graph.length; i++) {
        //如果当前节点存在邻接节点就返回下标
        if (graph[index1][index2] > 0) {
            return i;
        }
    }
    return -1;
}

第三步，借助访问标记和查找邻接节点方法实现dfs

/**
 * 深度优先搜索
 * @param index
 */
private void dsf(int index) {
    //访问节点
    System.out.print(index + "->");
    //标记已访问节点
    isVisted[index] = true;
    //获取第一个邻接节点
    int w = getNeighbor(index);
    //如果邻接节点存在
    while (w != -1){
        //并且该邻接节点未访问
        if (!isVisted[w]) {
            dsf(w);
        }
        //如果该节点已被访问,就访问当前节点的邻接节点的下一个邻接节点
        w = getNextNeighbor(index, w);
    }
}

public void dfs() {
    //对所有节点进行dfs
    for (int i = 0; i < num; i++) {
        //如果该节点仍未被访问才进行dfs
        if (!isVisted[i]) {
            dsf(i);
        }
    }
}

//执行结果
0->1->2->3->4->

四、图的广度优先搜索

1.思路分析

bfs的大题思路是这样的：

首先创建一个队列，把第一个邻接节点入队，然后队列元素出队，把该元素的邻接节点入队，然后出队.....重复该步骤，一层一层的遍历同级节点

如果我们按这个思路，将4作为起始节点，那么第一个4入队，然后4出队，把4的邻接节点0入队，接着0出队，把0的邻接节点1,2,3,入队；同理如果将0作为起始节点，那么第一次0入队，然后0出队，把0的邻接节点1,2,3入队......

2.代码实现

将思路转换为代码实现的步骤：

• 访问初始节点v，标记并入队
• 当队列不为空时，将队头节点u出队，否则跳过本次循环
• 查找u的第一个邻接节点w，如果不存在就重复步骤2，否则：
  1. 若w未被访问，则标记并入队
  2. 查找u继w后的下一个邻接节点，重复步骤3

这里继续复用上文dfs中使用的 getNeighbor()、getNextNeighbor()和 isVisted[]

/**
 * 广度优先遍历
 * @param index
 */
private void bfs(int index){
    //创建队列
    LinkedList queue = new LinkedList<>();

    //访问节点
    System.out.print(index + "->");
    //标记已访问节点
    isVisted[index] = true;
    //节点入队
    queue.addLast(index);

    //循环直到遍历完所有队列中的节点
    int u, w = -1;
    while (queue.isEmpty()) {
        //取出队列头结点下标
        u = (int) queue.removeFirst();
        //获取出队节点的邻接节点
        w = getNeighbor(u);
        while (w != -1) {
            //如果为被访问过
            if (!isVisted[w]) {
                //访问节点并标记
                System.out.print(u + "->");
                isVisted[w] = true;
                //将节点入队
                queue.addLast(w);
            }

            //接着查找下一个邻接节点
            w = getNextNeighbor(u, w);
        }
    }
}

public void bfs() {
    this.isVisted = new boolean[num];
    //对所有节点进行bfs
    for (int i = 0; i < num; i++) {
        //如果该节点仍未被访问才惊喜dfs
        if (!isVisted[i]) {
            bfs(i);
        }
    }
}

//执行结果
0->1->2->3->4->

值得一提是，虽然上文的例子不太直观，但是bfs也常常用于树的层次遍历，比如

//测试数据
int num = 9;
int[] u = {0, 0, 1, 2, 3, 3, 4, 4};
int[] v = {1, 2, 3, 4, 5, 6, 7, 8};
//输出结果
0->1->2->3->4->5->6->7->8->

可以很明显的看出，是一层一层遍历的，这也很直观的反应了bfs的执行逻辑。