其他分享
首页 > 其他分享> > 数据结构(5)

数据结构(5)

作者:互联网

一.思维导图

二.重要概念的笔记

1.假设图中有n个顶点,e条边

含有e=n(n-1)/2条边的无向图称为完全图;

含有e=n(n-1)条弧的有向图称为有向完全图;

若边或弧的个数e<nlogn,则称作稀疏图,否则称为稠密图。

2.

3.无向图的领接矩阵是对称的,有向图的领接矩阵可能是不对称的

4.在有向图中 统计第i行1的个数可得顶点i的出度(以顶点为头的弧的数目);

统计第j列1的个数可得顶点j的入度(以顶点为尾的弧的数目)

5.性质:任意无向图中,若有n个顶点和小于n-1条边,则必是非连通图;若有多于n-1条边,则一定有环

6.有向树:有向图中恰有一个顶点的入度为0,其余顶点的入度均为1

7.

8.结点i的度=邻接矩阵中第i行或第i列之和

9.构造无向图算法

O(n²+e*n)
Status CreateUDN(MGraph &G) {//采用数组(邻接矩阵)表示法,构造无向网G
	scanf(&G.vexnum, &G.arcnum, &Inclnfo);//Inclnfo为0则各弧不含其他信息
	for (i = 0;i < G.vexnum;++i)scanf(&G.vexs[i]);//构造顶点向量
	for (i = 0; i < G.vexnum; ++i) //初始化邻接矩阵
		for (j = 0;j < G.vexnum;++j)
			G.arcs[i][j] = { INFINITYNULL }; //(adj, info)
	for (k = 0;k < G.arcnum;++k) {//构造邻接矩阵
		scanf(&v1, &v2, &w); //输入一条边依附的顶点及权值
		i = LocateVex(Gv1);j = LocateVex(G, v2); //确定v1和v2在G中位置
		G.arcs[i][j].adj = w; //弧<v1,v2>的权值
		if (Inclnfo)Input(*G.arcs[i]j].info); //若弧含有相关信息,则输入
		G.arcs[j][i] = G.arcs[i][j]; //置<vl,v2>的对称弧<v2,v1>
	}
	return OK;
}// CreateUDN

10.对于稀疏图而言,邻接表比邻接矩阵节省存储空间

11.构造有向图算法

O(e*n)
Status CreateDG(OLGraph& G) { //采用十字链表存储表示,构造有向G(G.kind=DG)
	scanf(&G.vexnum, &G.arcnum, &Inclnfo); //lnclnfo为0则各弧不含其他信息
	for (i = 0; i < G.vexnum;++i) { //构造表头向量
		scanf(&G.xlist[i].data); //输入顶点值
		G.xlist[i].firstin = NULL;G.xlist[i].firstout = NULL; //初始化指针
	}
	for (k = 0;k < G.arcnum;++k) {//输入各弧并构造十字链表
		scanf(&v1, &v2); //输入一条弧的始点和终点
		i = LocateVex(G, v1); j = LocateVex(G, v2);//确定v1和v2在G中位置
		p = (ArcBox*)malloc(sizeof(ArcBox)); //假定有足够空间
		*p = (ijG.xlist[j].firstin, G.xlist[i].firstout, NULL);//对弧结点赋值
		// { tailvex,headvex,hlink,tlink,info )
		G.xlist[j].firstin = G.xlist[i].firstout = p;//完成在入弧和出弧链头的插入
		if (Inclnfo)Input(*p->info); //若弧含有相关信息,则输入
	}
}//CreateDG

12.四种存储结构的优缺点:

(1)邻接矩阵

【优点】容易实现图的各种基本操作,比如判断顶点之间是否存在边,仅耗费O(1)时间;

【缺点】即使边数<<n²,也需要占用O(n²)存储单元,读入数据也需耗费同等时间

(2)邻接表

【优点】存储空间相当于结点数和边数相加

【缺点】有向图求入度和出度或者查找进入某顶点不易需遍历整个邻接表;

无向图同一条边对应两个表结点浪费存储空间;

【改进】建立逆邻接表

(3)十字链表

【优点】查找进入或离开顶点的弧都容易;求顶点的出度和入度方便;建立十字链表时间复杂度与邻接表相同

(4)邻接多重表

【优点】同一条边只对应一个边结点,避免数据冗余;建立邻接多重表时间复杂度与邻接表相同,且各种基本操作实现也与邻接表相似

13.深度优先搜索相当于树的先根遍历:利用递归

邻接矩阵:O(n²)

邻接表:O(n+e)

Boolean visited[MAX]; //访问标志数组
Status(*VisitFunc) (int v); //(全局)函数指针变量
void DFSTraverse(Graph G, Status(*Visit) (int v)) {
	VisitFunc = Visit;
	for (v = 0;v < G.vexnum;++v) visited[v] = false;
	for (v = 0;v < G.vexnum;++v)
		if (!Visited[v]) DFS(G, v);
}
void DFS(Graph G, int v) {
	Visited[v] = true;
	VisitFunc(v);
	for (w = FirstAdjVex(G, v);w;w = NextAdjVex(G, v, w))
		if (!Visited[w]) DFS(G, w);
}

14.广度优先搜索类似于树的层序遍历:利用队列

Boolean visited[MAX]; //访问标志数组 
Status(*Visit) (int v); //(全局) 函数指针变量 一次;
void BFSTraverse(Graph G, Status(*Visit) (int v)) {
	for (v = 0;v < G.vexnum;++v)visited[v] = FALSE;
	InitQueue(Q);
	for (v = 0;v < G.vexnum; ++v)
		if (Visited[v]) {
			Visited[v] = TRUE;Visit(v);EnQueue(Q,v);
			while (!EmptyQueue(Q)) {
				DeQueue(Q,u);
				for (w = FirstAdjVex(G, u);w; w = NextAdjVex(G, u, w))
					if (!Visited[w])(Visited[w] = TRUE;Visit(w);EnQueue(Q,w);
			}
		}
}
}

15.算法:生成非连通图的深度优先森林

以孩子兄弟链表作为生成森林的存储结构
void DFSForest(Graph G, CSTree& T) {
	T = NULL;
	for (v = 0;v < G.vexnum;++v)visited[v] = false;
	for (v = 0;v < G.vexnum;++v)
		if (!Visited[v]) {
			p = (CSTree)malloc(sizeof(CSNode));
			*p = [GetVex(G, V), NULL, NULL];
			if (!T) T = p;
			else q->nextsibling = p;
			q = p;
			DFSTree(G, v, p);
		}
}
void DFSTraverse(Graph G, Status(*Visit) (int v)) {
	VisitFunc = Visit;
	for (v = 0;v < G.vexnum;++v)visited[v] = false;
	for (v = 0;v < G.vexnum; ++v)
		if (!Visited[V]) DFS(G, v);
}

16.求强连通分量

17.

18.普里姆(Prim)算法:

【基本思想】

第一步:取图中任意一个顶点 v 作为生成树的根;

第二步:往生成树上添加新的顶点 w。在添加的顶点

w 和已经在生成树上的顶点v 之间必定存在一条边,

并且该边的权值在所有连通顶点 v 和 w 之间的边

中取值最小;

第三步:继续往生成树上添加顶点,直至生成树上

含有 n 个顶点为止。

void MiniSpanTree_P(MGraph G, VertexType u) {
	//用普里姆算法从顶点u出发构造网G的最小生成树
	k = LocateVex(G, u);
	for (j = 0; j < G.vexnum; ++j)//辅助数组初始化
		if (j != k)
			closedge[j] = { u,G.arcs[k][j].adj };
	closedge[k].lowcost = 0; //初始,U={u}
	for (i = 0; i < G.vexnum; ++i) {
		继续向生成树上添加顶点;
	}
	k = Min(closedge);//求出加入生成树的下一个顶点k
	printf(closedge[k].adjvex, G.vexs[k]);
	//输出生成树上一条边
	closedge[k].lowcost = 0;//第k顶点并入U集
	for (j = 0; j < G.vexnum; ++j)
		//修改其它顶点的最小边
		if (G.arcs[k][j].adj < closedge[j].lowcost)
			closedge[j] = { G.vexs[k], G.arcs[k][j].adj };

19.克鲁斯卡尔(Kruscal)算法:

【 基本思想】

第一步:构造一个只含 n 个顶点的子图 SG;

第二步:从权值最小的边开始,若它的添加不使SG

中产生回路,则在 SG 上加上这条边;

第三步:如此重复,直至加上 n-1 条边为止。

构造非连通图 ST = (V, { });
k = i = 0; // k 计选中的边数
while (k < n - 1) {
	++i;
	检查边集 E 中第 i 条权值最小的边(u, v);
	若(u, v)加入ST后不使ST中产生回路,则输出边(u, v);
	且k++;
}

20.普里姆算法:O(n2)、适用于稠密图

克鲁斯卡尔算法:O(eloge)、适用于稀疏图

21.拓扑排序: 从有向图中选取一个没有前驱的顶点,并输出之; 从有向图中删去此顶点以及所有以它为尾的弧;重复上述两步,直至图空,或者图不空但找不到无前驱的顶点为止。

CountInDegree(G, indegree); //对各顶点求入度
InitStack(S);
for (i = 0; i < G.vexnum; ++i)
	if (!indegree[i]) Push(S, i); //入度为零的顶点入栈
count = 0; //对输出顶点计数
while (!EmptyStack(S)) {
	Pop(S, v); ++count; printf(v);
	for (w = FirstAdj(v); w; w = NextAdj(G, v, w)) {
		--indegree(w); // 弧头顶点的入度减一
		if (!indegree[w]) Push(S, w);//新出度的入度为零的顶点入栈
	}
}
if (count < G.vexnum) printf("图中有回路");

22.整个工程完成的时间为:从有向图的源点到汇点的最长路径;

“关键活动”指的是:该弧上的权值增加将使有向图上的最长路径的长度增加;

事件vi的最早发生时间:从开始点v1到vi的最长路 径长度,用ve(i)表示;

事件vi的最迟发生时间:在不推迟整个工期的前提 下,事件vi允许的最晚发生时间,用vl(i)表示

ve(j) = Max{ve(i) +dut(<i,j>)}

vl(i) = Min{vl(j) - dut(<i,j>)}

23.关键路径的算法:

⑴输入e条弧,建立AOE-网。

⑵从源点v0出发,令ve[0] = 0, 按拓扑有序求各顶点的最早发生时间vei,如果得到的拓扑序列中顶点个数小于网中顶点数n,说明网中存在环,不能求关键路径,算法终止;否则执行步骤 ⑶

⑶从汇点v**n出发,令vl[n-1] = ve[n-1]; 按逆拓扑有序求其余各顶点的最迟发生时间vl[i](n- 2≥i≥2);

⑷根据各个顶点的vevl值,求每条弧se(s)和 l(s)。若某条弧满足e(s) == l(s*),则为关键活动。

24.Floyd算法: 【基本思想】逐个顶点试探

O(n³)
void ShortestPath_FLOYD(MGraph G, PathMatrix& [], DistancMatrix& D) {
	//用 Floyd算法求有向网G中各对顶点v和w之间的最短路径P[V][w]及其带权
	//长度D[v][w]。若P[v][w][u]为TRUE,u是从v到w当前求得最短路径上的顶点。
	for (v = 0;v < G.vexnum;++v) //各对结点之间初始已知路径及距离
		for (w = 0;w < G.vexnum;++w) {
			D[v][w] = G.arcs[v][w];
			for (u = 0;u < G.vexnum;++u) P[v][w][u] = FALSE;
			if (D[v][w] < INFINITY) {//从v到w有直接路径
				P[v][w][v] = TRUE; P[v][w][w] = TRUE;
			}// if
		}//for
	for (u = 0;u < G.vexnum;++u)
		for (v = 0;v < G.vexnum;++v)
			for (w = 0;w < G.vexnum;++w)
				if (D[v][u] + D[u][w] < D[v][w]) {//从v经u到w的一条路径更短
					D[v][w] = D[v][u] + D[u][w];
					for (i = 0; i < G.vexnum;++i)
						P[v][w][i] = P[v][u][i]l P[u][w][i];
				}//if
}//ShorttestPath_FLOYD

25.Dijkstra:【基本思想】按路径长度递增次序产生最短路径算法

O(n³)
void ShortestPath_DIJ(AMGraph G, int v0) {
	//初始化
	n = G.vexnum;
	for (v = 0; v < n; ++v) {
		S[v] = false; //s初始为空集
		D[v] = G.arcs[v0][v]; //v0到各个顶点的弧的权值
		if (D[v] < MaxInt)
			Path[v] = v0; //v0和v之间有弧
		else Path[v] = -1; //v0和v之间无弧
	}
	S[v0] = true; //v0加入s
	D[v0] = 0; //源点到源点距离为0
		for (i = 1;i < n; ++i) {
			min = MaxInt;
			for (w = 0; w < n; ++w)
				if (!S[w] && D[w] < min)
				{
					v = w; min = D[w];
				}//选择一条当前最短路径
			S[v] = true; //将v加入s
			for (w = 0; w < n; ++w)//加入v后,v0到其他节点需更新
				if (!S[w] && (D[v] + G.arcs[v][w] < D[w]) {
					D[w] = D[v] + G.arcs[v][w];
						Path[w] = v;
				}
		}

三.疑难问题及解决方案

1.十字链表示例

2.无向图的连通分量

3.强连通分量示例

标签:vexnum,有向图,arcs,++,v0,顶点,数据结构
来源: https://www.cnblogs.com/zgz123/p/12906121.html