图的数据结构及基础算法
图(Graph)这个数据结构在平时开发中遇到的比较少，但我认为它是十分重要的，因为从真实的世界中来看，很多东西都可以抽象为图的表示，比如人际关系，地理位置，天马行空的东西都可以抽象为图，所以它比链表等基础数据结构高级一点点，也比较复杂，属于非线性结构。数学中有一个图论的分支也是与其有关。了解图在程序世界的存储方式，我们可以更加细致地刻画图的结构，让其为我所用，岂不妙哉？
定义和分类
那么图的定义是什么呢？我们直接看维基百科：
一张图 \(G\) 是一个二元组\((V,E)\)，其中\(V\)称为顶点集，\(E\)称为边集。它们亦可写成\(V(G)\)和\(E(G)\)。 \(E\)的元素是一个二元组数对，用\((x,y)\)表示，其中\({x,y} \in V\)。
下面一个图的示例：
图中的元素被称为顶点（Vertex），顶点与顶点之间连线被称为边（Edge），每个顶点有多少连线被称称为度（Degree），比如a图的2节点，度为2。
图(a)顶点与顶点之间的边没有方向，这种图被称为无向图（Undirected graph），在现实中，一个顶点与另一个顶点之间也可以是有向的，比如我们熟悉的铁路网等，从一个地方到一个地方，必然是有指向的，这种叫有向图（Directed graph），如图(b)所示。当然一个更常见的场景，比如北京到上海的距离肯定比上海到苏州的距离长，如何描述边与边的权重呢？这种图被称为带权图（Weighted graph），1顶点到2顶点边的权重为1。这里的权重只是抽象出的概念，在现实中可根据不同场景代表不同的含义，比如距离，车票价格等。
在有向图中，指向这个顶点的边和从其出发的边是不一样的，所以用出度（Out-degree）和入度（In-degree）来具体描述顶点的度。出度指的是有多少边是从当前顶点出发指向其他顶点；入度指的是有多少边指向当前顶点。对于图(b)而言，1节点的出度和人度都是1。
当然图是有很多的概念，上面是最基本的，了解了这些，我们才可以探讨图在代码中如何表示（以无向图示例）。
存储表示
根据维基百科的介绍，图有如下存储表示：
- 邻接矩阵（Adjacency matrix）
- 邻接表（Adjacency list）
- 前向星
- 有向图的十字链表
- 无向图的邻接多重表
本文以邻接矩阵和邻接表为例，后面几种再单独探讨。
邻接矩阵
大学学过线性代数的同学对矩阵可能还有点印象，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，映射到编程语言是二维数组。
对于上图(a)而言，该图是一个无向不加权图，在矩阵中，其中的元素初始值都是0，我们规定从一个顶点i到另一个顶点j如果有边，这两个顶点对应的矩阵位置G(i, j) 和 G(j, i) 的值记为1，由于是无向图，可能会映射到两个元素，下面是图(a)的邻接矩阵表示：
对于图(b)，这是个有向不加权图，我们规定，，其中的元素初始值都是0，从一个顶点i指向另一个顶点j，这两个顶点对应的矩阵位置G(i, j)的值记为1，图(b)的邻接矩阵表示为：
对于图(c)，这是个无向加权图，我们规定，元素初始值都是0，从一个顶点i到另一个顶点j如果有边，这两个顶点对应的矩阵位置G(i, j) 和 G(j, i) 的值记为该边的权重值，所以图(c)的邻接矩阵表示为：
从上面的几个邻接矩阵来看，用邻接矩阵来表示图还是很方便的，虽然简单，但却有很大问题，假设现在图G有n个顶点，需要开辟\(n^2\)个空间，并且很多空间都没有存储值，白白被浪费掉了。所以用邻接矩阵来表示图还是需要考虑考虑的。
用邻接矩阵来表示图代码也很简单，我们需要声明一个二维数组：
// 邻接矩阵
private int[][] adjacencyMatrix;
接下来要做的一个操作是添加边，首先要知道起始顶点的位置和目标顶点的位置，无向图两个位置都要赋值为1，代码如下：
/**
* 添加边
*
* @param start 起始节点位置
* @param end 结束节点位置
*/
public void addEdge(int start, int end) {
checkPosition(start);
checkPosition(end);
this.adjacencyMatrix[start][end] = 1;
this.adjacencyMatrix[end][start] = 1;
this.edgeSize++;
}
下面是完整代码：
/**
* 无向图 - 基于邻接矩阵(adjacency matrix)
*
* @author hanjuntao
*/
public class AMUndiGraph implements Graph {
/**
* 邻接矩阵长或宽最大长度
*/
private static final int maxSideLength = 4;
// 邻接矩阵长或宽长度
private int sideLength;
// 邻接矩阵
private int[][] adjacencyMatrix;
// 节点数目
private int nodeSize;
// 边数量
private int edgeSize;
public AMUndiGraph() {
this(maxSideLength);
}
public AMUndiGraph(int sideLength) {
if (sideLength <= 0) {
throw new IllegalArgumentException("The sideLength [" + sideLength + "] is not valid number");
}
this.sideLength = sideLength;
adjacencyMatrix = new int[sideLength][sideLength];
}
/**
* 添加边
*
* @param start 起始节点位置
* @param end 结束节点位置
*/
public void addEdge(int start, int end) {
checkPosition(start);
checkPosition(end);
if (this.adjacencyMatrix[start][end] == 0 && this.adjacencyMatrix[end][start] == 0) {
this.adjacencyMatrix[start][end] = 1;
this.adjacencyMatrix[end][start] = 1;
this.edgeSize++;
}
}
/**
* 获取节点数量
*
* @return 节点数量
*/
@Override
public int getNodeSize() {
int currNodeSize = 0;
for (int i = 0; i < sideLength; i++) {
for (int j = 0; j < i + 1; j++) {
if (adjacencyMatrix[i][j] == 1) {
currNodeSize++;
}
}
}
return currNodeSize;
}
/**
* 获取边的数量
*
* @return 边的数量
*/
@Override
public int getEdgeSize() {
return this.edgeSize;
}
private void checkPosition(int index) {
if (index < 0 || index >= adjacencyMatrix.length) {
throw new IllegalArgumentException("The index [" + index + "] is not valid number");
}
}
@Override
public String toString() {
return "AMUndiGraph{" +
"sideLength=" + sideLength +
", adjacencyMatrix=" + Arrays.deepToString(adjacencyMatrix) +
", nodeSize=" + nodeSize +
", edgeSize=" + edgeSize +
'}';
}
}
邻接表
用邻接矩阵表示图代码很简单，计算也很方便，如果边比较密集，还是可以考虑的。可以不可以不要二维数组只要一维数组表示图呢？知道散列表的拉链法的同学比较清楚当一个key出现哈希冲突时，会存到链表里面，邻接表与这个类似，我们需要一个一维数组来保存所有的顶点，每一个顶点对应一个链表，存储所以与该顶点存在边的顶点。当我们需要判断一个顶点与另一个顶点是否存在边时，我们可以定位到这个顶点，然后遍历其链表看看有没有另一个顶点即可。如下图所示：
首先我们声明邻接表：
// 邻接表
private LinkedList<Integer>[] adj;
接着需要添加边，对于无向图，我们只需要将目标顶点放入到顶点对应的链表中就行了，代码如下：
public void addEdge(int start, int end) {
checkPosition(start);
checkPosition(end);
adj[start].add(end);
adj[end].add(start);
this.edgeSize++;
}
完整代码如下：
/**
* 无向图 - 基于邻接表(adjacency list)
*
* @author hanjuntao
*/
public class AJUndiGraph implements Graph {
// 邻接表
private LinkedList<Integer>[] adj;
// 边数量
private int edgeSize;
public AJUndiGraph(int arrSize) {
if (arrSize <= 0) {
throw new IllegalArgumentException("The arrSize [" + arrSize + "] is not valid number");
}
adj = new LinkedList[arrSize];
for (int i = 0; i < arrSize; i++) {
adj[i] = new LinkedList<>();
}
}
public void addEdge(int start, int end) {
checkPosition(start);
checkPosition(end);
adj[start].add(end);
adj[end].add(start);
this.edgeSize++;
}
private void checkPosition(int index) {
if (index < 0 || index >= adj.length) {
throw new IllegalArgumentException("The index [" + index + "] is not valid number");
}
}
@Override
public int getNodeSize() {
return adj.length;
}
@Override
public int getEdgeSize() {
return this.edgeSize;
}
@Override
public String toString() {
return "AJUndiGraph{" +
"adj=" + Arrays.deepToString(adj) +
", nodeSize=" + getNodeSize() +
", edgeSize=" + edgeSize +
'}';
}
}
广度和深度优先搜索
广度优先搜索
广度优先搜索（Breadth-First-Search）被称为bfs，是一种比较好理解的图搜索方式，从图的一个顶点开始，向外一层一层地搜索。对于这种搜索，我们需要记录当前的节点是否被访问过，以及标识层次访问的情形。所以我们用一个数组记录节点是否被访问过，用一个队列来记录每一层的顶点。下面提供一个无向图，我们想要搜索到值为7的节点，如下图所示：
首先我们访问值为1的节点，我们需要先将1节点入队。节点1相当于下一层的顶点，该层只有1这个节点，接下来将1节点出队，访问1的第二层的节点。接着访问该层的所有节点，包括2,3,4，并依次入队。
第二层访问完毕，接下来我们要访问第三层。先从队列中取出2节点，访问2节点的下一层节点，图中只有5节点，该节点没有被访问过，将节点5加入到队列中。接着分别访问3节点和4节点的下一层节点，操作同上。
第三层节点访问完毕，接下来访问第四层节点，从队列中取出节点5，访问其下一层节点7，发现是我们要搜索的，搜索结束。
通过上面的图片演示，我们已经对bfs有一个大致的印象，下面我们来详细总结下bfs的搜索过程：
- 初始一个队列用来记录待访问节点的顶点，初始一个数据用来节点是否被访问过；将起始节点入队；
- 将队列中的队首元素出队，访问其连接的下一层节点，并将访问过的节点入队；
- 重复第二步，直至搜索到终止节点。
下面我们通过用领接表来表示无向图实现bfs，代码很容易读，至于如何利用广度优先搜索寻找起始节点和终止节点的最短路径，下一篇文章再系统讨论。bfs代码如下：
/**
* 广度优先搜索 Breadth-First-Search
*
* @param s 起始顶点
* @param t 终止顶点
*/
public void bfs2(int s, int t) {
int len = adj.length;
// 记录节点是否被访问过
boolean[] visited = new boolean[len];
// 存储每一层的顶点
Queue<Integer> queue = new LinkedList<>();
visited[s] = true;
queue.add(s);
while (!queue.isEmpty()) {
Integer vertex = queue.poll();
for (int i = 0; i < adj[vertex].size(); i++) {
Integer curr = adj[vertex].get(i);
if (!visited[curr]) {
visited[curr] = true;
System.out.println("当前顶点：" + vertex + "，当前节点：" + curr);
if (curr == t) {
return;
}
queue.add(curr);
}
}
}
}
深度优先搜索
深度优先搜索（Depth-First-Search）被称为dfs，和广度优先搜索是截然不同的搜索算法，在深度优先搜索中，假设沿着某条路径可以找到想要的节点，那么就一直走下去，如果目标不存在，那么就返回上一个节点，重复以上步骤，直至匹配到目标或遍历整个图。
从上面的描述来看，很明显是用到了递归，这里的递归终止条件有两个：
- 匹配到目标，遍历结束
- 遍历整个图，遍历结束
bfs伪代码（图的存储结构采用邻接表）如下：
visited[];
dfs = (s, t) {
visited[s] = true;
if (match) {
return;
}
for i : adj[s]
if (!visited[i]) {
visited[i] = true;
dfs(i, t)
}
}
同广度优先搜索类似，我们也需要一个数组记录图中的节点是否被访问过，如果被访问过，那么就需要跳过，感觉有点点回溯法的味道，这里确实用到了回溯的思想。
/**
* 深度优先搜索 Depth-First-Search
*
* 打印走过的路径
*
* @param s 起始顶点
* @param t 终止顶点
*/
public void dfs(int s, int t) {
int len = adj.length;
boolean[] visited = new boolean[len];
recurDfs(s, t, visited);
}
private void recurDfs(int vertex, int t, boolean[] visited) {
visited[vertex] = true;
if (vertex == t) {
return;
}
for (int i = 0; i < adj[vertex].size(); ++i) {
int curr = adj[vertex].get(i);
if (!visited[curr]) {
System.out.println("当前顶点：" + vertex + "，当前节点：" + curr);
recurDfs(curr, t, visited);
}
}
}
References：
- https://zh.wikipedia.org/wiki/图_(数学)
- https://en.wikipedia.org/wiki/Graph_(discrete_mathematics)
- https://time.geekbang.org/column/article/70891
title: 图的数据结构及基础算法
tags: [数据结构, 图]
author: Mingshan
categories: [数据结构, 图]
date: 2020-01-19
mathjax: true
本文来自博客园，作者：mingshan，转载请注明原文链接：https://www.cnblogs.com/mingshan/p/17793538.html
