在本專題中，有著很多核心相同的題目。把頂點和邊的權值對應到程式碼中，求出最小生成子樹或者運用並查集求出最小連通子圖、最短路徑，正是圖的內涵所在。而且，各種演算法大都以貪心為基礎，對邊的權值排序，然後運用並查集進行處理。prim演算法用於稠密圖，因為演算法本身是從兩個不連通的集合選取邊最小的點，最終得到最小生成樹；kruskal演算法用於稀疏圖，因為演算法原則是選邊，如果邊數太多的話，並不適用。然後是求出最短路徑的演算法，SPFA 其實就是Bellman-Ford的一種佇列實現，減少了冗餘，即鬆馳的邊至少不會以一個d為∞的點為起點。鬆弛技術是這些演算法的關鍵所在，其虛擬碼如下：

Relax(u,v,w)

if(d[v]>d[u]+w(u,v))

            d[v]=d[u]+w(u,v)；

資料結構中同樣講述過圖論，但是並沒有像ACM這樣面向實際去解決問題。擁有了這些思想，把問題向這些模板靠攏，進而寫出程式碼，解決問題，是圖論專題留給我的最大收穫。