[從今天開始修煉資料結構]圖
我們之前介紹了線性關係的線性表,層次關係的樹形結構,下面我們來介紹結點之間關係任意的結構,圖。
一、相關概念
1,圖是由頂點的有窮非空集合和頂點之間邊的集合組成,通常表示為G(V,E),其中,G表示一個圖,V是圖G中頂點的集合,E是圖G中邊的集合。
2,各種圖定義
若兩頂點之間的邊沒有方向,則稱這條邊為無向邊Edge,用無序偶對(v1,v2)來表示。如果圖中任意兩個頂點之間的邊都是無向邊,則稱該圖為無向圖。
若從頂點v1到v2的邊有方向,則稱這條邊為有向邊,也稱為弧(Arc),表示為有序偶<v1,v2>,稱v1為弧尾,v2為弧頭。若圖中任意兩個頂點之間的邊都是有向邊,則稱該圖為有向圖。
注意無向邊用(),有向邊用<>
圖按照邊或弧的多少分為稀疏圖和稠密圖,但劃分邊界比較模糊。任意兩個頂點之間都存在邊叫完全圖,有向的叫有向完全圖。若無重複邊或頂點回到自身的邊的叫做簡單圖。
圖上邊或弧帶權則稱為網。
3,圖的頂點與邊之間的關係
圖中頂點之間有鄰接點Adjacent的概念,v和v‘相鄰接,邊(v,v')依附於頂點v和v’,或者說邊(v,v')與頂點v和v’相關聯。頂點的度Degree是與v相關聯的邊的數目,記作TD(v)。
有向圖中有入度ID(v)和出度OD(V)的概念.
圖中的頂點間存在路徑則說明是連通的,如果路徑最終回到起始點則成為環,不重複的路徑稱為簡單路徑。頂點不重複出現的迴路,叫做簡單迴路或簡單環。
若任意兩點之間都是連通的,則成為連通圖,有向則是強連通圖。圖中有子圖,若子圖極大連通則稱該子圖為連通分量,有向的則稱為強連通分量。
無向圖是連通圖且n個頂點有n-1條邊則叫做生成樹。有向圖中一頂點入度為0,其他頂點入度為1的叫做有向樹,一個有向圖可以分解為若干有向樹構成的生成森林。
二、圖的抽象資料型別
三、圖的儲存結構
圖結構比較複雜,任意兩個頂點之間都可能存在聯絡,因此無法以資料元素在記憶體中的物理位置來表示元素間的關係;而多重連結串列的方式又有操作的不便,因此對於圖來說,它實現物理儲存是個難題,下面我們來看前輩們已經提供的五種不同的儲存結構
1,鄰接矩陣
圖的鄰接矩陣儲存方式是用兩個陣列來表示圖。一個一維陣列儲存圖中頂點資訊,一個二維陣列(稱為鄰接矩陣)儲存圖中的邊或弧的資訊。若無向圖中存在這條邊,或有向圖中存在這條弧,則矩陣中的該位置置為1,否則置0.如下
鄰接矩陣是如何實現圖的建立的呢? 程式碼如下
/* 頂點的包裝類 */ public class Vertex<T>{ private T data; public Vertex(T data){ this.data = data; } public T getData() { return data; } public void setData(T data) { this.data = data; } }
/* 鄰接矩陣實現圖的建立 */ public class MGraph<T> { private Vertex<T>[] vertexs; private int[][] edges; private int numVertex; //頂點的實際數量 private int maxNumVertex; //頂點的最大數量 private int INFINITY = 65535; public MGraph(int maxNumVertex){ this.maxNumVertex = maxNumVertex; this.vertexs = (Vertex<T>[]) new Vertex[maxNumVertex]; this.edges = new int[maxNumVertex][maxNumVertex]; for (int i = 0; i < numVertex; i++){ for (int j = 0; j < numVertex; j++){ edges[i][j] = INFINITY; } } for (int i = 0; i < numVertex; i++) { edges[i][i] = 0; } } public int getNumVertex(){ return numVertex; } public int getMaxNumVertex(){ return maxNumVertex; } public boolean isFull(){ return numVertex == maxNumVertex; } public void addVertex(T data){ if(isFull()){ throw new RuntimeException("圖滿了"); } Vertex<T> v = new Vertex<T>(data); vertexs[numVertex++] = v; } /** * 刪除圖中與data相等的頂點 * @param data 要刪除的頂點的data值 * @return 返回刪除了幾個頂點 */ public int removeVertex(T data){ int flag = 0; for (int i = 0; i < numVertex; i++){ if (vertexs[i].getData().equals(data)){ for (int j = i; j < numVertex - 1; j++){ vertexs[j] = vertexs[j + 1]; } //刪除矩陣的第 i 行 for (int row = i; row < numVertex - 1; row++){ for (int col = 0; col < numVertex; col++){ edges[col][row] = edges[col][row + 1]; } } //刪除矩陣的第 i 列 for (int row = 0; row < numVertex; row++){ for (int col = i; col < numVertex - 1; col++){ edges[col][row] = edges[col + 1][row]; } } numVertex--; flag++; } } return flag; } private int getIndexOfData(T data){ int i = 0; while (!vertexs[i].getData().equals(data)){ i++; } return i; } /** * 若為無向圖,data的順序隨意;若為有向圖,則新增的邊是data1指向data2 * @param data1 弧尾 * @param data2 弧頭 * @param weight 權值 */ public void addEdge(T data1, T data2, int weight){ int index1 = getIndexOfData(data1); int index2 = getIndexOfData(data2); edges[index1][index2] = weight; } public void removeEdge(T data1, T data2){ int index1 = getIndexOfData(data1); int index2 = getIndexOfData(data2); edges[index1][index2] = INFINITY; } public void printMatrix(){ for (int row = 0; row < numVertex; row++){ for (int col = 0; col < numVertex; col++){ System.out.print(edges[row][col] + " "); } System.out.println(); } } }
鄰接矩陣可以解決圖的物理儲存,但我們也發現,對於邊相對頂點來說較少的圖,這種結構是存在對儲存空間的極大浪費的。如何解決呢?看下面
2,鄰接表
我們在前面提到過,順序儲存結構存在預先分配記憶體可能造成空間浪費的問題,於是引出了鏈式儲存結構。我們用類似於前面樹結構中孩子表示法的方式,陣列與連結串列相結合的儲存方法稱為鄰接表。
處理方法:頂點用一維陣列儲存;每個頂點的所有鄰接點構成一個線性表,用單鏈表儲存。有向圖稱為頂點v的邊表;無向圖稱為頂點v作為弧尾的出邊表。
注:若是有向圖,鄰接表結構是類似的。由於有向圖有方向,我們是以頂點為弧尾來儲存邊表的,這樣很容易得到每個頂點的出度。但也有是為了便於確定頂點的入度,我們可以建立一個有向圖的逆鄰接表,即對每個頂點v1都建立一個連結為v1為弧頭的表。
若是帶權值的網圖,可以在邊表結點的定義中再增加一個weight的資料域,儲存權值資訊即可。
下面是鄰接表儲存圖結構的程式碼實現
public class VertexL<T> { private T data; private EdgeL firstEdge; public VertexL(T data) { this.data = data; } public void setFirstEdge(EdgeL e){ this.firstEdge = e; } public EdgeL getFirstEdge(){ return firstEdge; } public T getData(){ return data; } }
public class EdgeL { private int adjvex; //儲存鄰接點對應的下標 private EdgeL nextEdge; //儲存 public EdgeL(int adjvex){ this.adjvex = adjvex; } public EdgeL(int adjvex, EdgeL e){ this.adjvex = adjvex; this.nextEdge = e; } public EdgeL getNextEdge(){ return nextEdge; } public void setNextEdge(EdgeL e){ this.nextEdge = e; } public int getAdjvex(){ return adjvex; } }
/* 無向圖(無權值)的鄰接表儲存。 */ public class GraphAdjList <T>{ private VertexL<T>[] vertexs; private int numVertex; private int maxNumVertex; public GraphAdjList(int maxNumVertex){ this.maxNumVertex = maxNumVertex; this.vertexs =(VertexL<T>[]) new VertexL[maxNumVertex]; numVertex = 0; } public boolean isFull(){ return numVertex == maxNumVertex; } private int getNumVertex(){ return numVertex; } /** * 新增頂點 * @param data */ public void addVertex(T data){ if (isFull()){ throw new IndexOutOfBoundsException(); } VertexL<T> v = new VertexL<T>(data); vertexs[numVertex++] = v; } /** * 新增邊 * @param data1 * @param data2 */ public void addEdge(T data1, T data2){ int indexOfData1 = getIndex(data1); int indexOfData2 = getIndex(data2); if (vertexs[indexOfData1].getFirstEdge() == null){ vertexs[indexOfData1].setFirstEdge(new EdgeL(indexOfData2)); }else { vertexs[indexOfData1].getFirstEdge().setNextEdge(new EdgeL(indexOfData2, vertexs[indexOfData1].getFirstEdge().getNextEdge())); } if (vertexs[indexOfData2].getFirstEdge() == null){ vertexs[indexOfData2].setFirstEdge(new EdgeL(indexOfData1)); }else { vertexs[indexOfData2].getFirstEdge().setNextEdge(new EdgeL(indexOfData1, vertexs[indexOfData1].getFirstEdge().getNextEdge())); } } private int getIndex(T data){ int i = 0; for (; i < numVertex; i++){ if (data.equals(vertexs[i].getData())){ break; } } if (!data.equals(vertexs[i].getData()) && i == numVertex){ throw new NullPointerException(); } return i; } /** * 刪除邊 * @param data1 * @param data2 */ public void removeEdge(T data1, T data2){ int indexOfData1 = getIndex(data1); int indexOfData2 = getIndex(data2); VertexL v = vertexs[indexOfData1]; EdgeL e = v.getFirstEdge(); if (e.getAdjvex() == indexOfData2){ if (v.getFirstEdge().getNextEdge() == null) { v.setFirstEdge(null); }else { v.setFirstEdge(e.getNextEdge()); } }else { while (e.getNextEdge().getAdjvex() != indexOfData2){ e = e.getNextEdge(); } if (e.getNextEdge().getNextEdge() != null) { e.setNextEdge(e.getNextEdge().getNextEdge()); }else { e.setNextEdge(null); } } } /** * 刪除頂點 * @param data */ public void removeVertex(T data){ int index = getIndex(data); for (int i = 0; i < numVertex; i++){ if (i == index){ continue; } removeEdge(vertexs[i].getData(), data); } for (int i = index; i < numVertex - 1; i++){ vertexs[i] = vertexs[i + 1]; } }
3,十字連結串列
對於有向圖來說,鄰接表只關心了出度問題,想了解入度就必須遍歷整個圖才能知道;反之,逆鄰接表解決了入度問題,卻不瞭解出度的情況。那麼能不能把鄰接表和逆鄰接表結合一下呢?
這就是下面要講的儲存方式:十字連結串列。
我們既然要結合鄰接表和逆鄰接表,就要先把頂點域融合一下如下
firstin表示入邊表表頭指標,指向該頂點入邊表的第一個結點; firstout表示出邊表表頭指標,指向該頂點出邊表的第一個結點。
下面我們來把邊表結點結構也融合一下
其中tailvex是指弧起點在頂點表的下標 ; headvex是指弧終點在頂點表中的下標。
headlink是入邊表指標域,指向同一個弧頭的弧;taillink是出邊表指標域,指向同一個弧尾的弧。 從新的邊表結點的域可以看出來,每一個邊表結點既承擔了作為入邊表的職責,也承擔了作為出邊表結點的職責。
例如下面這個例子
圖中虛線箭頭的含義就是此圖的逆鄰接表的表示。我們可以簡單的理解為,比如第一行的邊結點,就是表示從0指向3的有向弧,所以它一定是由0直接指向,並且由3虛線指向的。
再如圖中唯一連續指向的從V0指向邊10,再指向邊20,可以發現弧頭為0的都在同一列,弧尾同的都在同一行;由於V0有兩個入度,所以虛線連續指向兩個邊結點。
十字連結串列的好處是因為結合了鄰接表和逆鄰接表,既容易找到入度,也容易找到出度。除了結構複雜一點,它建立圖演算法的時間複雜度是和鄰接表相同的。因此在有向圖中,十字連結串列是非常好的資料結構。
程式碼實現如下:
/* 十字連結串列實現的圖結構的弧定義 */ public class EdgeOL { private int tail; private int head; public EdgeOL(int tail, int head) { this.tail = tail; this.head = head; } } /* 十字連結串列實現的圖結構的頂點定義 */ public class VertexOL<T> { private T data; private EdgeOL firstIn; private EdgeOL firstOut; public VertexOL(T data) { this.data = data; } }
/* 圖結構的十字連結串列實現 */ public class GraphOrthogonalList<T> { private VertexOL<T>[] vertexs; private int numVertex; private int maxNumVertex; public GraphOrthogonalList(int maxNumVertex){ this.maxNumVertex = maxNumVertex; vertexs = (VertexOL<T>[])new VertexOL[maxNumVertex]; } public boolean isFull(){ return numVertex == maxNumVertex; } /** * 新增新頂點 * @param data 新頂點的資料域 */ public void addVertex(T data){ if (isFull()){ return; } VertexOL<T> v = new VertexOL<>(data); vertexs[numVertex++] = v; } public void addEdge(int tail, int head){ EdgeOL e = new EdgeOL(tail, head); //頭插法,形成十字連結串列 e.setTailLink(vertexs[tail].getFirstOut()); vertexs[tail].setFirstOut(e); e.setHeadLink(vertexs[head].getFirstIn()); vertexs[head].setFirstIn(e); } /** * 刪除一個邊結點 * @param tail * @param head */ public void removeEdge(int tail, int head){ removeFromTailList(tail, head); removeFromHeadList(tail, head); } /** * 從鄰接表中刪除一個邊結點 * @param tail * @param head */ private void removeFromTailList(int tail, int head){ EdgeOL e = vertexs[tail].getFirstOut(); //從tailLink中刪除它 if (e != null && e.getHeadVex() == head){ //如果e是第一個但不是最後一個結點,刪除它 if (e.getTailLink() != null){ vertexs[tail].setFirstOut(e.getTailLink()); }else { //如果e是第一個也是最後一個結點,刪除它 vertexs[tail].setFirstOut(null); } }else if (e != null){ //如果e不是第一個結點,那麼遍歷連結串列找到要刪除的邊結點的上一個結點!! while (e.getTailLink() != null && e.getTailLink().getHeadVex() != head){ e = e.getTailLink(); } if (e.getHeadVex() != head){ //throw new NullPointerException(); //這裡不能拋異常,因為後面要遍歷刪除邊,拋異常會使程式終止 return; }else { e.setTailLink(e.getTailLink().getTailLink()); } } } /** * 從逆鄰接表中刪除一個邊結點 * @param tail * @param head */ private void removeFromHeadList(int tail, int head){ //從headLink中刪除它 EdgeOL e = vertexs[head].getFirstOut(); if (e != null && e.getTailVex() == tail){ //如果e1是第一個但不是最後一個結點,刪除它 if (e.getHeadLink() != null){ vertexs[head].setFirstIn(e.getHeadLink()); }else { //如果e1是第一個也是最後一個結點,刪除它 vertexs[head].setFirstIn(null); } }else if (e != null){ //如果e1不是第一個結點,那麼遍歷連結串列找到要刪除的邊結點的上一個結點!! while (e.getHeadLink() != null && e.getHeadLink().getTailVex() != tail){ e = e.getHeadLink(); } if (e.getTailVex() != tail){ //throw new NullPointerException(); return; }else { e.setHeadLink(e.getHeadLink().getHeadLink()); } } } /** * 刪除index角標的頂點 * @param index */ public void removeVertex(int index){ if (index >= numVertex){ throw new NullPointerException(); } //刪除與該頂點有關的所有邊 for (int i = numVertex - 1; i > 0; i--){ removeEdge(index, i); removeEdge(i, index); } //刪除該結點 for (int i = index; i < numVertex - 1; i++){ vertexs[i] = vertexs[i + 1]; } numVertex--; } }
4,鄰接多重表
上面的三種結構看似已經解決了所有問題,但在編寫程式碼的時候才能體會到,插入頂點,插入邊時非常方便,但刪除時很麻煩。如何解決呢? 有時又要對已訪問的邊做標記,又怎麼做呢?
下面我們來看面向無向圖的鄰接多重表。
我們把鄰接表中的邊表結點的結構進行改造如下
其中ivex和jvex是與某條邊依附的兩個頂點在頂點表中的下標。ilink指向依附頂點ivex的下一條邊,jlink指向依附頂點jvex的下一條邊。這就是鄰接多重表。
注意:ilink指向的結點的jvex和它本身的ivex值相同
下面舉例
若要刪除左圖(v0 , v2)這條邊,僅需讓6 , 9這兩個連結改為^即可,刪除方便了很多。
上面這種方法是《大話資料結構》中的畫法,它 “貌似” 限制了ivex和jvex的順序,使得在程式碼實現上難以思考。我找到了下面這個視訊,是一個很好的鄰接多重表的解釋,(咖哩英語警告)。它沒有限制ivex必須指向相同的jvex,沒有限制ivex和jvex的順序,也沒有限制陣列中的頂點結點只能指向一個邊結點,更靈活,更好理解,程式碼也更容易實現。
https://www.youtube.com/watch?v=f2z1n6atBsc
下面是視訊中畫法的程式碼實現。
/* 鄰接多重表的頂點定義 */ public class VertexAM<T> { private T data; private EdgeAM firstEdge; public VertexAM(T data){ this.data = data; } public T getData() { return data; } public void setData(T data) { this.data = data; } public EdgeAM getFirstEdge() { return firstEdge; } public void setFirstEdge(EdgeAM firstEdge) { this.firstEdge = firstEdge; } }
/* 鄰接多重表的邊結點定義 */ public class EdgeAM { private int ivex; private int jvex; private EdgeAM ilink; private EdgeAM jlink; public EdgeAM(int ivex, int jvex){ this.ivex = ivex; this.jvex = jvex; } public int getIvex() { return ivex; } public void setIvex(int ivex) { this.ivex = ivex; } public int getJvex() { return jvex; } public void setJvex(int jvex) { this.jvex = jvex; } public EdgeAM getIlink() { return ilink; } public void setIlink(EdgeAM ilink) { this.ilink = ilink; } public EdgeAM getJlink() { return jlink; } public void setJlink(EdgeAM jlink) { this.jlink = jlink; } }
/* 鄰接多重表的程式碼實現 */ public class GraphAM <T>{ private VertexAM<T>[] vertexs; private int numVertex; private int maxNumVertex; public GraphAM(int maxNumVertex){ this.maxNumVertex = maxNumVertex; this.vertexs = (VertexAM<T>[])new VertexAM[maxNumVertex]; numVertex = 0; } public boolean isFull(){ return numVertex == maxNumVertex; } public void addVertex(T data){ if (isFull()){ return; } vertexs[numVertex++] = new VertexAM<>(data); } /** * 將新結點連在iLink連結串列的鏈尾和jLink連結串列的鏈尾 * @param ivex * @param jvex */ public void addEdge(int ivex, int jvex){ EdgeAM e = new EdgeAM(ivex, jvex); if (vertexs[ivex].getFirstEdge() == null) { vertexs[ivex].setFirstEdge(e); } else if (vertexs[jvex].getFirstEdge() == null){ vertexs[jvex].setFirstEdge(e); } else { EdgeAM ptr = vertexs[ivex].getFirstEdge(); while (ptr.getIlink() != null){ ptr = ptr.getIlink(); } ptr.setIlink(e); ptr = vertexs[jvex].getFirstEdge(); while (ptr.getJlink() != null){ ptr = ptr.getJlink(); } ptr.setJlink(e); } } /** * 刪除邊,如果邊結點直連頂點結點,則直接刪除;若不直連,先找到邊結點的上一個邊結點,然後將上一個邊結點的link域置空。 * @param ivex * @param jvex */ public void removeEdge(int ivex, int jvex) { if (vertexs[ivex].getFirstEdge() != null && vertexs[ivex].getFirstEdge().getJvex() == jvex) { vertexs[ivex].setFirstEdge(null); } else if (vertexs[jvex].getFirstEdge() != null && vertexs[jvex].getFirstEdge().getIvex() == ivex) { vertexs[jvex].setFirstEdge(null); } else { removeFromLink(ivex, jvex); removeFromLink(jvex, ivex); } } private void removeFromLink(int ivex, int jvex){ EdgeAM ptr = vertexs[ivex].getFirstEdge(); if (ptr == null){ return; } while (ptr.getIlink() != null && ptr.getIlink().getJvex() != jvex) { ptr = ptr.getIlink(); } if (ptr.getIlink() == null){ return; }else { ptr.setIlink(null); } } /** * 先刪除與本頂點相連的所有邊,然後再刪除頂點 * @param index */ public void removeVertex(int index){ for (int i = 0; i < numVertex; i++){ removeEdge(i, index); removeEdge(index, i); } for (int i = index; i < numVertex - 1; i++){ vertexs[i] = vertexs[i + 1]; } numVertex--; } }
5,邊集陣列
邊集陣列由兩個一維陣列構成,一個儲存頂點的資訊;另一個儲存邊的資訊,這個邊陣列每個資料元素由一條邊的起點下標(begin)、終點下標(end)和權(weight)組成。
邊集陣列的效率並不高,它適合對邊依次進行處理的操作,而不適合對頂點進行相關的操作。邊集陣列的應用將在後面的克魯斯卡爾(Kruskal)演算法中有介紹。
四、圖的遍歷
圖的遍歷是和樹的遍歷類似,我們希望從圖中某一頂點出發仿遍圖中其餘頂點,且使每一個頂點僅被訪問一次,這一過程就叫做圖的遍歷(Traversing Graph)
1,深度優先遍歷(Depth_First_Search DFS)
我們以上圖為例,假設我們從A出發,只要沒碰到訪問過的結點,就一直往右手邊走,先到B,再到C,再到D,E,F,此時再往右走就碰到A了,所以我們往左邊走,到G,往右為D,D訪問過了,所以往左走到H,這時H的左右D和E都已經訪問過了,到了死衚衕。
但是此時圖中還有I結點沒有訪問過,所以我們從H沿原路後退經過G,F,E,D,C,此時從C往左手邊走訪問了I。這就是深度優先遍歷的思路:從圖中某個頂點v出發,只要它存在沒有被訪問過的鄰接點,就進入該鄰接點,然後以該點進行深度優先遍歷。
仔細觀察大家會感受到,深度優先遍歷其實很像棧/遞迴。所以想到用遞迴來實現深度優先遍歷。注意實現過程中不必拘泥於上面解釋圖片時的一直往右走這個說法,因為圖的儲存只有畫出圖片對人的觀察來說才有左和右的意義。程式碼如下
/* 對於使用鄰接矩陣儲存的圖的深度優先遍歷 */
//標識結點是否被訪問過 private boolean[] visited; //深度優先遍歷操作入口 public void DFSTraverse(){ this.visited = new boolean[getNumVertex()]; for (boolean bool : visited){ bool = false; } //若該頂點沒被訪問過,則從該頂點為起點深度優先遍歷,若為連通圖,則只會執行一次DFS for (int i = 0; i < getNumVertex(); i++){ DFS(i); } } //深度優先遍歷演算法 private void DFS(int i) { visited[i] = true; System.out.println(vertexs[i].getData()); for (int j = 0; j < numVertex; j++){ if ( !visited[j] && (edges[i][j] != 0 || edges[i][j] != INFINITY)){ DFS(j); } } }
//標識結點是否被訪問過 private boolean[] visited; //深度優先遍歷操作入口 public void DFSTraverse(){ this.visited = new boolean[getNumVertex()]; for (boolean bool : visited){ bool = false; } //若該頂點沒被訪問過,則從該頂點為起點深度優先遍歷,若為連通圖,則只會執行一次DFS for (int i = 0; i < getNumVertex(); i++){ if (!visited[i]) { DFS(i); } } } //深度優先遍歷演算法 private void DFS(int i) { visited[i] = true; System.out.println(vertexs[i].getData()); if (!(vertexs[i].getFirstEdge() == null)) { EdgeL e = vertexs[i].getFirstEdge(); //取到鄰接表的第一個元素 while (e != null) { //鄰接表不為空 if (!visited[e.getAdjvex()]) { //如果該元素沒有被訪問過,則以該元素為起點再次進行深度優先遍歷;如果訪問過,則取到鄰接表的下一個結點(可以理解為往右走走不通,變成往左走) DFS(e.getAdjvex()); } e = e.getNextEdge(); } } }
上面是兩種儲存方式的深度優先遍歷的遞迴寫法,我們可以看出鄰接矩陣的DFS的時間複雜度是O(n2)而鄰接表的DFS是O(n+e)所以當點多邊少的稀疏圖時,鄰接表結構在深度優先遍歷上的時間效率大大提高。
眾所周知,遞迴演算法在資料量過大時容易引起棧溢位等問題,所以下面我們來看一下DFS的非遞迴寫法
如下是鄰接矩陣,DFS非遞迴寫法(ArrayStack是我在前面關於棧的部落格中實現的一個簡單鏈棧demo)
//標識結點是否被訪問過 private boolean[] visited_2; /** * 利用棧來實現,如果該頂點被訪問,則壓棧; * 當走到死衚衕,查詢棧頂元素是否有其他未被訪問的鄰接點,如果有,則訪問它,並壓棧,如果沒有,則將棧頂元素彈棧,直到棧為空。 */ public void DFSTraverse_2(){ this.visited = new boolean[numVertex]; for (int i = 0; i < numVertex; i++){ visited[i] = false; } ArrayStack<Integer> s = new ArrayStack<Integer>(); int i = 0; visit(i); s.push(i); while (!s.isEmpty()){ int j = 0; int top = s.getTop(); for (; j < numVertex; j++){ if ( !visited[j] && (edges[top][j] != 0 || edges[top][j] != INFINITY)){ visit(j); visited[j] = true; s.push(j); break; } } if (j == numVertex){ s.pop(); } } } private void visit(int i){ System.out.println(vertexs[i].getData()); visited[i] = true; }
以下是鄰接表DFS非遞迴寫法。
//標識結點是否被訪問過 private boolean[] visited_2; //深度優先遍歷操作入口 public void DFSTraverse_2(){ this.visited = new boolean[getNumVertex()]; for (int i = 0; i < numVertex; i++){ visited[i] = false; } for (int i = 0; i < numVertex; i++) { ArrayStack<Integer> s = new ArrayStack<>(); visit(i); s.push(i); while (!s.isEmpty()) { int topIndex = s.getTopData(); EdgeL p = vertexs[topIndex].getFirstEdge(); //遍歷鄰接表,直到找到鄰接表中沒有被訪問過的結點 while (p != null) { if (!visited[p.getAdjvex()]) { visit(p.getAdjvex()); s.push(p.getAdjvex()); } else if(p.getNextEdge() != null && visited[p.getNextEdge().getAdjvex()] == false){ p = p.getNextEdge(); } } if (p == null) { s.pop(); } } } } public void visit(int i){ System.out.println(vertexs[i].getData()); visited[i] = true; }
2,廣度優先遍歷(Breadth_First_Search BFS)
如果說圖的深度優先遍歷類似於樹的前序遍歷,那麼廣度優先遍歷就類似於樹的層序遍歷。
我們把上左圖調整一下位置,形成有層間關係的類似樹的結構。然後以佇列的形式,當一個元素被遍歷,則將它出隊的同時,將它的未被遍歷的鄰接結點入隊,直到佇列中的全部元素都被遍歷。
程式碼如下
/* 鄰接矩陣儲存的圖的廣度優先遍歷 */ public void BFSTraverse(){ ArrayDeque<Integer> queue = new ArrayDeque<>(); this.visited = new boolean[getNumVertex()]; for (int i = 0; i < numVertex; i++){ visited[i] = false; } for(int i = 0; i < numVertex; i++){ if (!visited[i]) { queue.add(i); } while (!queue.isEmpty()){ int row = queue.remove(); visit(row); for (int j = 0; j < numVertex; j++){ //如果存在這條邊,且這條邊的鄰接點沒有被訪問過,且鄰接點不在佇列中,則將該鄰接點入隊 if ((edges[row][j] != 0 && edges[row][j] != INFINITY) && !visited[j] && !queue.contains(j)){ queue.add(j); } } } } } private void visit(int i){ System.out.println(vertexs[i].getData()); visited[i] = true; } }
/* 鄰接表儲存的圖的廣度優先遍歷 */ public void BFSTraverse(){ ArrayDeque<Integer> queue = new ArrayDeque<>(); this.visited = new boolean[getNumVertex()]; for (int i = 0; i < getNumVertex(); i++){ visited[i] = false; } for (int i = 0; i < getNumVertex(); i++){ if (!visited[i]) { queue.add(i); } while (!queue.isEmpty()){ int node = queue.remove(); visit(node); EdgeL e = vertexs[node].getFirstEdge(); if (e != null && !queue.contains(e.getAdjvex()) && !visited[e.getAdjvex()]) { queue.add(e.getAdjvex()); while (e != null && e.getNextEdge() != null && !queue.contains(e.getAdjvex()) && !visited[e.getAdjvex()]) { queue.add(e.getAdjvex()); e = e.getNextEdge(); } } } } } public void visit(int i){ System.out.println(vertexs[i].getData()); visited[i] = true; }
對比發現,DFS和BFS在時間複雜度上是一樣的,僅僅是訪問次序不同。深度優先更適合目標明確,以找到目標為目的的情況;廣度優先更適合在不斷擴大遍歷範圍時找到相對最優解的情況。
下面應該是最小生成樹這一部分,但是研究了一天,發現大話資料結構這本書的圖這部分寫的實在是爛,難以下嚥,所以後面將再起一篇部落格,來記錄後續部分,將會以Sedgewick版《演算法》的風格來敘述。如果有人看到部落格對後續有期待,請等我幾天