前言:
此时朋友们对“数据结构与算法中的算法”大概比较着重,小伙伴们都需要知道一些“数据结构与算法中的算法”的相关内容。那么小编在网络上搜集了一些对于“数据结构与算法中的算法””的相关知识,希望我们能喜欢,我们快快来了解一下吧!图的实际应用
在现实生活中,有许多应用场景会包含很多点以及点点之间的连接,而这些应用场景我们都可以用即将要学习的图这种数据结构去解决。
地图
我们生活中经常使用的地图,基本上是由城市以及连接城市的道路组成,如果我们把城市看做是一个一个的点,把道路看做是一条一条的连接,那么地图就是我们将要学习的图这种数据结构。
电路图
下面是一个我们生活中经常见到的集成电路板,它其实就是由一个一个触点组成,并把触点与触点之间通过线进行连接,这也是我们即将要学习的图这种数据结构的应用场景。
图的定义及分类
图是由一组顶点和一组能够将两个顶点相连的边组成的。
特殊的图自环:即一条连接一个顶点和其自身的边;平行边:连接同一对顶点的两条边;图的分类
按照连接两个顶点的边的不同(有没有方向),可以把图分为以下两种:
无向图:边仅仅连接两个顶点,没有其他含义;有向图:边不仅连接两个顶点,并且具有方向;无向图的相关术语相邻顶点:当两个顶点通过一条边相连时,我们称这两个顶点是相邻的,并且称这条边依附于这两个顶点。度:某个顶点的度就是依附于该顶点的边的个数。子图:是一幅图的所有边的子集(包含这些边依附的顶点)组成的图。路径:是由边顺序连接的一系列的顶点组成。环:是一条至少含有一条边且终点和起点相同的路径。连通图:如果图中任意一个顶点都存在一条路径到达另外一个顶点,那么这幅图就称之为连通图。连通子图:一个非连通图由若干连通的部分组成,每一个连通的部分都可以称为该图的连通子图。无向图的存储结构
要表示一幅图,只需要表示清楚以下两部分内容即可:
图中所有的顶点;所有连接顶点的边;
常见的图的存储结构有两种:邻接矩阵和邻接表。
邻接矩阵使用一个V * V的二维数组int[V][V] adj,把索引的值看做是顶点;如果顶点v和顶点w相连,我们只需要将adj[v][w]和adj[w][v]的值设置为1,否则设置为0即可。
很明显,邻接矩阵这种存储方式的空间复杂度是V^2的,如果我们处理的问题规模比较大的话,内存空间极有可能不够用。
邻接表使用一个大小为V的数组Queue[V] adj,把索引看做是顶点;每个索引处adj[v]存储了一个队列,该队列中存储的是所有与该顶点相邻的其他顶点。
很明显,邻接表的空间并不是是线性级别的,所以后面我们一直采用邻接表这种存储形式来表示图。
无向图的实现无向图的设计
类名
Graph
构造方法
Graph(int v):创建一个包含v个顶点但不包含边的图
成员方法
public int v():获取图中顶点的数量
public int e():获取图中边的数量
public void addEdge(int v, int w):向图中添加一条边 v-w
public Queue<Integer> adj(int v):获取和顶点v相邻的所有顶点
成员变量
private final int v:记录顶点数量
private int e:记录边数量
private Queue<Integer>[] adj:邻接表
代码实现
public class Graph { /** * 记录顶点数量 */ private final int v; /** * 记录边数量 */ private int e; /** * 邻接表 */ private Queue<Integer>[] adj; /** * 创建一个包含v个顶点但不包含边的图 */ public Graph(int v) { // 初始化顶点数量 this.v = v; // 初始化边的数量 this.e = 0; // 初始化邻接表 this.adj = new Queue[v]; for (int i = 0; i < adj.length; i++) { adj[i] = new Queue<>(); } } /** * 获取图中顶点的数量< */ public int v() { return v; } /** * 获取图中边的数量 */ public int e() { return e; } /** * 向图中添加一条边 v-w */ public void addEdge(int v, int w) { // 在无向图中,边是没有方向的,所以,既要将w加入v的邻接表,也要将v加入w的邻接表 adj[v].push(w); adj[w].push(v); e++; } /** * 获取和顶点v相邻的所有顶点 */ public Queue<Integer> adj(int v) { return adj[v]; }}图的搜索
在很多情况下,我们需要遍历图,得到图的一些性质,例如,找出图中与指定的顶点相连的所有顶点,或者判定某个顶点与指定顶点是否相通,是非常常见的需求。
有关图的搜索,最经典的算法有深度优先搜索和广度优先搜索,接下来我们分别讲解这两种搜索算法。
深度优先搜索
所谓的深度优先搜索,指的是在搜索时,如果遇到一个结点既有子结点,又有兄弟结点,那么先找子结点,然后找兄弟结点。
很明显,在由于边是没有方向的,所以,如果4和5顶点相连,那么4会出现在5的相邻链表中,5也会出现在4的相邻链表中,那么为了不对顶点进行重复搜索,应该要有相应的标记来表示当前顶点有没有搜索过,可以使用一个布尔类型的数组boolean[V] marked,索引代表顶点,值代表当前顶点是否已经搜索,如果已经搜索,标记为true,如果没有搜索,标记为false。
API设计
类名
DepthFirstSearch
构造方法
DepthFirstSearch(Graph g, int s):构造深度优先搜索对象,使用深度优先搜索找出G图中s顶点的所有相通顶点
成员方法
private void dfs(Graph g, int v):使用深度优先搜索找出G图中v顶点的所有相通顶点
public boolean marked(int w):判断w顶点与s顶点是否相通
public int count():获取与顶点s相通的所有顶点的总数
成员变量
private boolean[] marked:索引代表顶点,值表示当前顶点是否已经被搜索 private int count:记录有多少个顶点与s顶点相通
代码实现
public class DepthFirstSearch { /** * 索引代表顶点,值表示当前顶点是否已经被搜索 */ private final boolean[] marked; /** * 记录有多少个顶点与s顶点相通 */ private int count; /** * 构造深度优先搜索对象,使用深度优先搜索找出G图中s顶点的所有相通顶点 */ public DepthFirstSearch(Graph g, int s) { this.marked = new boolean[g.v()]; this.count = 0; // 搜索G图中与顶点s相同的所有顶点 dfs(g, s); } /** * 使用深度优先搜索找出G图中v顶点的所有相通顶点 */ private void dfs(Graph g, int v) { // 把v顶点标识为已搜索 marked[v] = true; // 遍历v顶点的邻接表,得到每一个顶点w for (var item : g.adj(v)) { // 如果当前顶点w没有被搜索过,则递归搜索与w顶点相通的其他顶点 if (!marked[item]) { dfs(g, item); } } // 相通的顶点数量+1 count++; } /** * 判断w顶点与s顶点是否相通 */ public boolean marked(int w) { return marked[w]; } /** * 获取与顶点s相通的所有顶点的总数 */ public int count() { return count; }}
测试代码
class DepthFirstSearchTest { @Test void test() { // 准备图 var graph = new Graph(13); graph.addEdge(0, 5); graph.addEdge(0, 1); graph.addEdge(0, 2); graph.addEdge(0, 6); graph.addEdge(5, 3); graph.addEdge(5, 4); graph.addEdge(3, 4); graph.addEdge(4, 6); graph.addEdge(7, 8); graph.addEdge(9, 11); graph.addEdge(9, 10); graph.addEdge(9, 12); graph.addEdge(11, 12); var depthFirstSearch = new DepthFirstSearch(graph, 0); // 测试与某个顶点相通的数量 assertEquals(7, depthFirstSearch.count()); // 顶点5与顶点0是否相通 assertTrue(depthFirstSearch.marked(5)); // 顶点7与顶点0是否相通 assertFalse(depthFirstSearch.marked(7)); }}广度优先搜索
所谓的广度优先搜索,指的是在搜索时,如果遇到一个结点既有子结点,又有兄弟结点,那么先找兄弟结点,然后找子结点。
API设计
类名
BreadthFirstSearch
构造方法
BreadthFirstSearch(Graph g, int s):构造广度优先搜索对象,使用深度优先搜索找出G图中s顶点的所有相通顶点
成员方法
private void bfs(Graph g, int v):使用广度优先搜索找出G图中v顶点的所有相通顶点
public boolean marked(int w):判断w顶点与s顶点是否相通
public int count():获取与顶点s相通的所有顶点的总数
成员变量
private boolean[] marked:索引代表顶点,值表示当前顶点是否已经被搜索 private int count:记录有多少个顶点与s顶点相通
private Queue<Integer> waitSearch:用来存储待搜索邻接表的点
代码实现
public class BreadthFirstSearch { /** * 索引代表顶点,值表示当前顶点是否已经被搜索 */ private final boolean[] marked; /** * 记录有多少个顶点与s顶点相通 */ private int count; /** * 用来存储待搜索邻接表的点 */ private final Queue<Integer> waitSearch; /** * 构造深度优先搜索对象,使用深度优先搜索找出G图中s顶点的所有相通顶点 */ public BreadthFirstSearch(Graph g, int s) { this.marked = new boolean[g.v()]; this.count = 0; this.waitSearch = new Queue<>(); // 搜索G图中与顶点s相同的所有顶点 bfs(g, s); } /** * 使用深度优先搜索找出G图中v顶点的所有相通顶点 */ private void bfs(Graph g, int v) { // 把v顶点标识为已搜索 marked[v] = true; // 让顶点v进入待搜索队列 waitSearch.push(v); // 使用while循环从队列中拿出待搜索的顶点wait,进行搜索邻接表 while (!waitSearch.isEmpty()) { var wait = waitSearch.pop(); // 遍历wait顶点的邻接表,得到每一个顶点w for (var item : g.adj(wait)) { // 如果当前顶点w没有被搜索过,则递归搜索与w顶点相通的其他顶点 if (!marked[item]) { bfs(g, item); } } } // 相通的顶点数量+1 count++; } /** * 判断w顶点与s顶点是否相通 */ public boolean marked(int w) { return marked[w]; } /** * 获取与顶点s相通的所有顶点的总数 */ public int count() { return count; }}
测试代码
class BreadthFirstSearchTest { @Test void test() { // 准备图 var graph = new Graph(13); graph.addEdge(0, 5); graph.addEdge(0, 1); graph.addEdge(0, 2); graph.addEdge(0, 6); graph.addEdge(5, 3); graph.addEdge(5, 4); graph.addEdge(3, 4); graph.addEdge(4, 6); graph.addEdge(7, 8); graph.addEdge(9, 11); graph.addEdge(9, 10); graph.addEdge(9, 12); graph.addEdge(11, 12); var breadthFirstSearch = new BreadthFirstSearch(graph, 0); // 测试与某个顶点相通的数量 assertEquals(7, breadthFirstSearch.count()); // 顶点5与顶点0是否相通 assertTrue(breadthFirstSearch.marked(5)); // 顶点7与顶点0是否相通 assertFalse(breadthFirstSearch.marked(7)); }}案例-畅通工程
在上一篇并查集中,我们用并查集实现了畅通工程,并查集可以帮助我们快速计算还需要建设多少条道路。
使用图,我们可以快速计算出城市与城市是否相通。
某省调查城镇交通状况,得到现有城镇道路统计表,表中列出了每条道路直接连通的城镇。省政府“畅通工程”的目标是使全省任何两个城镇间都可以实现交通(但不一定有直接的道路相连,只要互相间接通过道路可达即可)。目前的道路状况,9号城市和10号城市是否相通?9号城市和8号城市是否相通?
新建一个traffic_project.txt文件,内容如下:
2070 16 93 85 112 126 104 8
它就是诚征道路统计表,下面是对数据的解释:
总共有20个城市,目前已经修改好了7条道路,问9号城市和10号城市是否相通?9号城市和8号城市是否相通?
解题思路
创建一个图Graph对象,表示城市; 分别调用addEdge(0, 1),addEdge(6, 9),addEdge(3, 8),addEdge(5, 11),addEdge(2, 12),addEdge(6, 10),addEdge(4, 8),表示已经修建好的道路把对应的城市连接起来;
通过Graph对象和顶点9,构建DepthFirstSearch对象或BreadthFirstSearch对象; 调用搜索对象的marked(10)方法和marked(8)方法,即可得到9和城市与10号城市以及9号城市与8号城市是否相通。
代码实现
/** * 案例-畅通工程 */@Testvoid trafficProject() throws IOException { var br = new BufferedReader(new InputStreamReader(BreadthFirstSearchTest.class.getClassLoader().getResourceAsStream("traffic_project.txt"))); // 读取第一行数据 var totalNumber = Integer.parseInt(br.readLine()); // 读取城市数目,初始化Graph图 var graph = new Graph(totalNumber); // 读取第二行数据 var roadNumber = Integer.parseInt(br.readLine()); for (int i = 0; i < roadNumber; i++) { var line = br.readLine(); var arr = line.split(" "); var p1 = Integer.parseInt(arr[0]); var p2 = Integer.parseInt(arr[1]); // 循环读取已经修建好的道路,并调用addEdge方法 graph.addEdge(p1, p2); } // 根据图G和顶点9构建图的搜索对象 var breadthFirstSearch = new BreadthFirstSearch(graph, 9); // 调用搜索对象的marked(10)方法和marked(8)方法 var marked10 = breadthFirstSearch.marked(10); var marked8 = breadthFirstSearch.marked(8); // 9号城市和10号城市是否已相通:true LOGGER.info("9号城市和10号城市是否已相通:{}", marked10); // 9号城市和8号城市是否已相通:false LOGGER.info("9号城市和8号城市是否已相通:{}", marked8);}
测试结果:
9号城市和10号城市是否已相通:true9号城市和8号城市是否已相通:false路径查找
在实际生活中,地图是我们经常使用的一种工具,通常我们会用它进行导航,输入一个出发城市,输入一个目的地城市,就可以把路线规划好,而在规划好的这个路线上,会路过很多中间的城市。
这类问题翻译成专业问题就是:从s顶点到v顶点是否存在一条路径?如果存在,请找出这条路径。
API设计
类名
DepthFirstPaths
构造方法
DepthFirstPaths(Graph g, int s):构造深度优先搜索对象,使用深度优先搜索找出G图中起点为s的所有路径
成员方法
private void dfs(Graph g, int v):使用深度优先搜索找出G图中v顶点的所有相邻顶点
public boolean hasPathTo(int v):判断v顶点与s顶点是否存在路径
public Stack pathTo(int v):找出从起点s到顶点v的路径(就是该路径经过的顶点)
成员变量
private boolean[] marked:索引代表顶点,值表示当前顶点是否已经被搜索 private int s:起点
private int[] edgeTo:索引代表顶点,值代表从起点s到当前顶点路径上的最后一个顶点
代码实现
我们实现路径查找,最基本的操作还是得遍历并搜索图,所以,我们的实现暂且基于深度优先搜索来完成。其搜索的过程是比较简单的。我们添加了edgeTo[]整型数组,这个整型数组会记录从每个顶点回到起点s的路径。
如果我们把顶点设定为0,那么它的搜索可以表示为下图:
根据最终edgeTo的结果,我们很容易能够找到从起点0到任意顶点的路径。
public class DepthFirstPaths { /** * 索引代表顶点,值表示当前顶点是否已经被搜索 */ private final boolean[] marked; /** * 起点 */ private int s; /** * 索引代表顶点,值代表从起点s到当前顶点路径上的最后一个顶点 */ private final int[] edgeTo; /** * 构造深度优先搜索对象,使用深度优先搜索找出G图中起点为s的所有路径 */ public DepthFirstPaths(Graph g, int s) { // 创建一个和图的顶点数一样大小的布尔数组 this.marked = new boolean[g.v()]; // 创建一个和图顶点数一样大小的整型数组 this.edgeTo = new int[g.v()]; // 初始化顶点 this.s = s; // 搜索G图中起点为s的所有路径 dfs(g, s); } /** * 使用深度优先搜索找出G图中v顶点的所有相邻顶点 */ private void dfs(Graph g, int v) { // 把当前顶点标记为已搜索 marked[v] = true; // 遍历v顶点的邻接表,得到每一个顶点w for (var w : g.adj(v)) { // 如果当前顶点w没有被搜索过,则将edgeTo[w]设置为v,表示w的前一个顶点为v,并递归搜索与w顶点相通的其他顶点 if (!marked[w]) { // 到达顶点w的路径上的最后一个顶点是v edgeTo[w] = v; dfs(g, v); } } } /** * 判断v顶点与s顶点是否存在路径 */ public boolean hasPathTo(int v) { return marked[v]; } /** * 找出从起点s到顶点v的路径(就是该路径经过的顶点) */ public Stack<Integer> pathTo(int v) { if (!hasPathTo(v)) { return null; } // 创建路径中经过的顶点的容器 var path = new Stack<Integer>(); // 通过循环,从顶点v开始,一直往前找,直到起点为止 for (var x = v; x != s; x = edgeTo[x]) { path.push(x); } path.push(s); return path; }}
测试代码
class DepthFirstPathsTest { @Test void test() throws IOException { var br = new BufferedReader(new InputStreamReader(DepthFirstPathsTest.class.getClassLoader().getResourceAsStream("road_find.txt"))); // 读取城市数目,初始化Graph图 var graph = new Graph(Integer.parseInt(br.readLine())); // 读取城市的连通道路 var roadNumber = Integer.parseInt(br.readLine()); // 循环读取道路,并调用addEdge方法 for (var i = 0; i < roadNumber; i++) { var arr = br.readLine().split(" "); var p = Integer.parseInt(arr[0]); var q = Integer.parseInt(arr[1]); graph.addEdge(p, q); } // 根据图G和顶点0路径查找对象 var depthFirstPaths = new DepthFirstPaths(graph, 0); // 调用查找对象的pathTo(4)方法得到路径 var path4 = depthFirstPaths.pathTo(4); var sb = new StringBuilder(); for (var item : path4) { sb.append(item).append("-"); } sb.deleteCharAt(sb.length() - 1); System.out.println("顶点0到顶点4的路径是:" + sb); }}
测试结果:顶点0到顶点4的路径是:0-2-3-4
标签: #数据结构与算法中的算法