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