1. Toy模板网首页
  2. > Toy博客

数据结构：图及相关算法讲解

8月前 作者：派小星233 分类：Toy博客 阅读(38) 违法举报

这篇具有很好参考价值的文章主要介绍了数据结构：图及相关算法讲解。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1.图的基本概念

概念多，但是不难理解，难的算法部分基本都是图解。

图是由顶点集合及顶点间的关系组成的一种数据结构：G = (V， E)，其中V为顶点集合，E为边集合。

顶点和边：图中结点称为顶点，第i个顶点记作vi。两个顶点vi和vj相关联称作顶点vi和顶点vj之间有一条边，图中的第k条边记作ek，ek = (vi，vj)或<vi，vj>

有向图：在有向图中，顶点对<x, y>是有序的，顶点对<x，y>称为顶点x到顶点y的一条边(弧)，<x, y>和<y, x>是两条不同的边，比如下图G3和G4为有向图。
无向图：顶点对(x, y)是无序的，顶点对(x,y)称为顶点x和顶点y相关联的一条边，这条边没有特定方向，(x, y)和(y，x)是同一条边，比如下图G1和G2为无向图。
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习
无向完全图：在有n个顶点的无向图中，若有n * (n-1)/2条边，即任意两个顶点之间有且仅有一条边，则称此图为无向完全图，比如上图G1；
有向完全图：在n个顶点的有向图中，若有n * (n-1)条边，即任意两个顶点之间有且仅有方向相反的边，则称此图为有向完全图，比如上图G4。

邻接顶点：在无向图G中，若 (u, v)是E(G)中的一条边，则称u和v互为邻接顶点，并称边(u,v)依附于顶点u和v；在有向图G中，若 <u, v>是E(G)中的一条边，则称顶点u邻接到v，顶点v邻接自顶点u，并称边<u, v>与顶点u和顶点v相关联。

顶点的度：顶点v的度是指与它相关联的边的条数，记作deg(v)。在有向图中，顶点的度等于该顶点的入度与出度之和，其中顶点v的入度是以v为终点的有向边的条数，记作indev(v);顶点v的出度是以v为起始点的有向边的条数，记作outdev(v)。因此：dev(v) = indev(v) + outdev(v)。注意：对于无向图，顶点的度等于该顶点的入度和出度，即dev(v) = indev(v) = outdev(v)。
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

权值：边附带的数据信息。
路径：在图G = (V， E)中，若从顶点vi出发有一组边使其可到达顶点vj，则称顶点vi到顶点vj的顶点序列为从顶点vi到顶点vj的路径。
路径长度：对于不带权的图，一条路径的路径长度是指该路径上的边的条数；
对于带权的图，一条路径的路径长度是指该路径上各个边权值的总和。

简单路径与回路：若路径上各顶点v1，v2，v3，…，vm均不重复，则称这样的路径为简单路径。若路径上第一个顶点v1和最后一个顶点vm重合，则称这样的路径为回路或环。
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

子图：设图G = {V, E}和图G1 = {V1，E1}，若V1属于V且E1属于E，则称G1是G的子图。
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

连通图：在无向图中，若从顶点v1到顶点v2有路径，则称顶点v1与顶点v2是连通的。如果图中任意一对顶点都是连通的，则称此图为连通图

强连通图：在有向图中，若在每一对顶点vi和vj之间都存在一条从vi到vj的路径，也存在一条从vj到vi的路径，则称此图是强连通图。

生成树：一个连通图的最小连通子图称作该图的生成树（形成连通图并且使用的边数量少）。有n个顶点的连通图的生成树有n个顶点和n-1条边。


图与树的关系：

  1. 树是一种特殊的无环连通图。
  2. 树关注的节点（顶点）存储的值。
  3. 图关注的是顶点关系以及边的权值。



2. 图的存储结构

因为图中既有节点，又有边(节点与节点之间的关系)，因此，在图的存储中，只需要保存：节点和边关系即可。节点保存比较简单，只需要一段连续空间即可，那边关系该怎么保存呢？

2.1邻接矩阵

因为节点与节点之间的关系就是连通与否，即为0或者1，因此邻接矩阵(二维数组)即是：先用一个数组将定点保存，然后采用矩阵来表示节点与节点之间的关系。
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习
注意：

  1. 无向图的邻接矩阵是对称的，第i行(列)元素之和，就是顶点i的度。有向图的邻接矩阵则不一定是对称的，第i行(列)元素之后就是顶点i 的出(入)度。
  2. 如果边带有权值，并且两个节点之间是连通的，上图中的边的关系就用权值代替，如果两个顶点不通，则使用无穷大（自己设定值表示无穷）代替。
    数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

代码实现：

namespace maritx
{
	//V为顶点类型，无论什么类型都可以转换位对于的下标，访问时使用哈希表转换出下标
	//W为边类型，一般为数值类型，MAX_W代表边不存在
	//Direction表示方向，默认无向
	template<class V, class W, W MAX_W = INT_MAX, bool Direction = false>  //默认无向
	class Graph
	{
	private:
		vector<V> _vertexs;  //顶点
		map<V, size_t>  _VIndexMap;  //顶点 ：下标
		vector<vector<W>> _matrix;  //邻接矩阵
		
	public:
		typedef Graph<V, W, MAX_W, Direction> self;

		Graph() = default;
		Graph(const V* vertexs, size_t n)
		{
			_vertexs.resize(n);
			for (size_t i = 0; i < n; i++)
			{
				_vertexs[i] = vertexs[i];
				_VIndexMap[vertexs[i]] = i;
			}
			//初始化邻接矩阵
			_matrix.resize(n);
			for (int i = 0; i < n; i++)
			{
				_matrix[i].resize(n, MAX_W);
			}
		}

		size_t GetVIndex(const V& v)
		{
			if (_VIndexMap.count(v))
			{
				return _VIndexMap[v];
			}
			else   //如果没有这个顶点
			{
				throw invalid_argument("不存在的顶点");
				//assert(false);
				return -1;
			}
		}

		void AddEdge(const V& src, const V& dst, const W& w)
		{
			size_t srci = GetVIndex(src);
			size_t dsti = GetVIndex(dst);
			_AddEdge(srci, dsti, w);
		}

		void _AddEdge(int srci, int dsti, const W& w)
		{
			_matrix[srci][dsti] = w;  //有向图只需添加一边
			if (Direction == false)
			{
				_matrix[dsti][srci] = w;
			}
		}
	};
}

2.2邻接表

邻接表：使用数组表示顶点的集合，使用链表表示边的关系。

  1. 无向图邻接表存储
    数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

  2. 有向图邻接表存储
    数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

代码实现：

namespace link_table
{
	template<class W>
	struct Edge
	{
		W _w;  //权值
		int _dsti;
		Edge<W>* _next;
		Edge(int dsti,const W& w)
			:_dsti(dsti)
			,_w(w)
			,_next(nullptr)
		{}
	};

	template<class V, class W, bool Direction = false>  //默认无向
	class Graph
	{
	public:
		typedef Edge<W> Edge;
		Graph(const V* vertexs, size_t n)
		{
			_vertexs.resize(n);
			for (size_t i = 0; i < n; i++)
			{
				_vertexs[i] = vertexs[i];
				_VIndexMap[vertexs[i]] = i;
			}
			//初始化邻接矩阵
			_tables.resize(n, nullptr);
		}

		size_t GetVIndex(const V& v)
		{
			if (_VIndexMap.count(v))
			{
				return _VIndexMap[v];
			}
			else   //如果没有这个顶点
			{
				throw invalid_argument("不存在的顶点");
				//assert(false);
				return -1;
			}
		}

		void AddEdge(const V& src, const V& dst, const W& w)
		{
			size_t srci = GetVIndex(src);
			size_t dsti = GetVIndex(dst);
			Edge* newnode = new Edge(dsti, w);
			newnode->_next = _tables[srci];
			_tables[srci] = newnode; //有向图只需添加一边

			if (Direction == false)
			{
				Edge* newnode = new Edge(srci, w);
				newnode->_next = _tables[dsti];
				_tables[dsti] = newnode;
			}
		}

		void Print()
		{
			// 打印顶点和下标映射关系
			for (size_t i = 0; i < _vertexs.size(); ++i)
			{
				cout << _vertexs[i] << "-" << i << " ";
			}
			cout << endl << endl;
			for (int i = 0; i < _tables.size(); i++)
			{
				Edge* cur = _tables[i];
				if(cur)  cout << i;
				while (cur)
				{
					cout << "->" << cur->_dsti ;
					cur = cur->_next;
				}
				cout << endl;
			}
			
		}

	private:
		vector<V> _vertexs;  //顶点
		map<V, int>  _VIndexMap;  //顶点：下标
		vector<Edge*> _tables;  //邻接表
	};
}

2.3两种实现的比较

  1. 对于邻接矩阵，优点是确定AB两点间关系时方便。缺点是对于边数量少的情况，想遍历与某点的出(入)边，需要遍历矩阵的一行（N），空间也会很浪费。
  2. 对于邻接表，优点是边少时遍历点的出(入)边，有几条边就走几次。缺点是想确定AB两点间关系时需要遍历一次邻接表。
  3. 推荐关系复杂，边多时使用邻接矩阵。 关系简单，边少时使用邻接表。
  4. 两种存储实现图相关算法差别不大，后面的算法都是基于邻接矩阵的。



3.图的遍历

给定一个图G和其中任意一个顶点v0，从v0出发，沿着图中各边访问图中的所有顶点，且每个顶点仅被遍历一次。"遍历"即对结点进行某种操作的意思。
树的遍历是自顶点向下，图的遍历是选定一个顶点作为起点。

3.1 图的广度优先遍历

数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

//遍历
void BFS(const V& v)
{
	size_t n = _vertexs.size();
	size_t srci = GetVIndex(v);
	vector<bool> visited(n);
	queue<size_t> q;
	q.push(srci);
	visited[srci] = true;
	while (!q.empty())
	{
		size_t sz = q.size();
		for (size_t i = 0; i < sz; i++)
		{
			size_t top = q.front();  q.pop();
			cout << _vertexs[top] << " ";
			for (size_t j = 0; j < n; j++)
			{
				if (_matrix[top][j] != MAX_W && visited[j] != true)  //存在并且没有访问过
				{
					q.push(j);
					visited[j] = true;
				}
			}
		}
	}
	//有可能存在从v点出发到不了某些点的情况，这时可遍历vis数组
	for (int i = 0; i < n; i++)
	{
		if (visited[i] == false)
		{
			cout << _vertexs[i] << " ";
		}
	}
	cout << endl;
}

3.2 图的深度优先遍历

数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

void DFS(const V& v)
{
	size_t srci = GetVIndex(v);
	vector<bool> visited(_vertexs.size());
	dfs(srci, visited);
	//有可能存在从v点出发到不了某些点的情况，这时可遍历vis数组
	for (int i = 0; i < n; i++)
	{
		if (visited[i] == false)
		{
			cout << _vertexs[i] << " ";
		}
	}
}

void dfs(size_t srci, vector<bool>& visited)
{
	cout << _vertexs[srci] << " ";
	visited[srci] = true;
	for (int i = 0; i < _vertexs.size(); i++)
	{
		if (_matrix[srci][i] != MAX_W && visited[i] != true)
		{
			dfs(i, visited);
		}
	}
}



4.最小生成树

连通图中的每一棵生成树，都是原图的一个极大无环子图，即：从其中删去任何一条边，生成树就不在连通；反之，在其中引入任何一条新边，都会形成一条回路。

若连通图由n个顶点组成，则其生成树必含n个顶点和n-1条边。因此构造最小生成树的准则有三条：

  1. 只能使用图中的边来构造最小生成树
  2. 只能使用恰好n-1条边来连接图中的n个顶点
  3. 选用的n-1条边不能构成回路

构造最小生成树的方法：Kruskal算法和Prim算法。这两个算法都采用了逐步求解的贪心策略。

贪心算法：是指在问题求解时，总是做出当前看起来最好的选择。也就是说贪心算法做出的不是整体最优的的选择，而是某种意义上的局部最优解。贪心算法不是对所有的问题都能得到整体最优解，Kruskal算法和Prim算法都可保证最优，两种策略相当容易记忆，证明难度较大，本文不做证明。


4.1 Kruskal算法

  1. 每次都选用图中权值最小的边来构造，可以使用堆实现。
  2. 只能选n - 1条边。
  3. 选用的边不可构成回路，可以使用并查集来判断环是否存在。
    不了解并查集的可以看这篇文章（很简单的）：并查集
    不了解堆的可以看这篇文章：堆

数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

struct Edge   //存储边信息
{
	int _srci;
	int _dsti;
	W _w;
	Edge(int srci, int dsti, W w)
		:_srci(srci)
		,_dsti(dsti)
		,_w(w)
	{}
	bool operator>(const Edge& edge) const
	{
		return _w > edge._w;
	}
};

//Kruskal(克鲁斯卡尔),生成的了返回权值，生成不了返回W默认值
W Kruskal(self& minTree)
{
	//初始化一下最小生成树
	size_t n = _vertexs.size();
	minTree._vertexs = _vertexs;
	minTree._VIndexMap = _VIndexMap;
	minTree._matrix.resize(n);
	for (auto& e : minTree._matrix)
	{
		e.resize(_vertexs.size(), MAX_W);
	}
	UnionFindSet ufs(n);  //并查集
	priority_queue<Edge, vector<Edge>, greater<Edge>> pq;  //堆
	//入边
	for (int i = 0; i < n; i++)
	{
		for (int j = i; j < n; j++)  //无向图只需要一半即可
		{
			if(_matrix[i][j] != MAX_W)
				pq.push(Edge(i, j, _matrix[i][j]));
		}
	}
	//依次选最小边，选n - 1
	size_t esum = 0;
	W ret = 0;
	//不断选最小边即可
	while (!pq.empty())
	{
		Edge e = pq.top();  pq.pop();
		if (!ufs.InSet(e._srci, e._dsti)) //不在一个集合(不构成回路)，当前边可选
		{
			minTree.AddEdge(e._srci, e._dsti, e._w);
			esum++;
			ret += e._w;
			ufs.Union(e._srci, e._dsti);
		}
	}
	//判断可否形成最小生成树
	if (esum == n - 1)
	{
		return ret;
	}
	else
	{
		return W();
	}
}

4.2 Prim算法

  1. Kruskal算法侧重边，Prim算法侧重点。
  2. 设有X，Y两个点集合，X表示已在最小生成树中的点，Y表示还未在最小生成树中的点。故选边时选的是X->Y所有边中的最小权值。
  3. 只能选n - 1条边。
  4. 选用的边不可构成回路，只需选的边起点在X，终点在Y即可。
    数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习 
//prim(普利姆算法)
W Prim(self& minTree, const V& src)
{
	//初始化一下最小生成树
	size_t n = _vertexs.size();
	minTree._vertexs = _vertexs;
	minTree._VIndexMap = _VIndexMap;
	minTree._matrix.resize(n);
	for (auto& e : minTree._matrix)
	{
		e.resize(_vertexs.size(), MAX_W);
	}
	size_t srci = GetVIndex(src);  //起点
	//存储边的堆
	priority_queue<Edge, vector<Edge>, greater<Edge>> pq;
	//X和Y集合（不在X就在Y）
	vector<bool> X(n, false);
	X[srci] = true;
	//把X初始点的边入进去
	for (size_t i = 0; i < n; i++)
	{
		if (_matrix[srci][i] != MAX_W)
		{
			pq.push(Edge(srci, i, _matrix[srci][i]));
		}
	}
	//选出边的条数
	size_t esum = 0;
	W ret = 0;
	
	while (!pq.empty())
	{
		Edge e = pq.top();  pq.pop();
		if (X[e._dsti] != true)  //终点在Y，选了不成环
		{
			minTree.AddEdge(e._srci, e._dsti, e._w);		
			esum++;
			ret += e._w;
			X[e._dsti] = true;  
			for (int i = 0; i < n; i++)
			{
				//入边为X-Y，X-X的边没必要入
				if (_matrix[e._dsti][i] != MAX_W && X[i] != true)  
				{
					pq.push(Edge(e._dsti, i, _matrix[e._dsti][i]));
				}
			}
		}
	}
	//判断可否形成最小生成树
	if (esum == n - 1)
	{
		return ret;
	}
	else
	{
		return W();
	}
}

4.3 两个算法比较

  1. Kruskal算法适用于稀疏图，即边少的图，因为该算法需要用堆维护所有的边。
  2. Prim算法适用于稠密图，即边多的图，因为该算法的要点在点，并不需要维护所有的边(X-X的边无需维护)。



5.最短路径

5.1两个抽象存储

数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习
基于这两个抽象数据结构还原最短路径：

//打印最短路径的算法
void PrinrtShotPath(const V& src, const vector<W>& dist, const vector<int>& pPath)
{
	size_t n = _vertexs.size();
	size_t srci = GetVIndex(src);
	for (size_t i = 0; i < n; i++)
	{
		if (i != srci)  //源到源不打印
		{
			size_t par = i;
			vector<size_t> path;  //先从结尾开始添加
			while (par != srci)
			{
				path.push_back(par);
				par = pPath[par];
			}
			path.push_back(srci); 
			reverse(path.begin(), path.end());  //翻转过来
			for (auto pos : path)
			{
				cout << _vertexs[pos] << "->";
			}
			cout << dist[i] << endl;  //打印长度
		}
	}
}

5.2单源最短路径–Dijkstra算法

  1. 贪心，分为两个集合Q和S，其中Q表示已经确定最短路径的顶点集合，S表示未确定最短路径的顶点集合。
  2. 在已有最短路径的基础上更新到其他顶点的路径，如果更短就更新，这个操作称为松弛顶点。（建议配合图解看）
  3. Dijkstra算法不适用于带负权的最短路径问题（后面解释）。

图解：

数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

正确性证明：

  1. 图边权没有负数
    （1）如果现在遍历 起点->S(未确定最短路径点集合)的边，找到一条s->x(记和为len)的最短，那就可以确定这条是s->x的最短。
    （2）因为如果存在s->……(和一定小于len)->x的一条更短路径，那遍历时就会先选中s->……中的顶点进行松弛，而不是选中x进行松弛。
  2. 图边权有负数
    （1）遍历 起点->S(未确定最短路径点集合)的边，找到一条s->x(记和为len)的最短，不能确定这条是s->x的最短。
    （2）因为可能存在s->……（大于len）->负权->x(小于len)，这时候就会更新不到这条真正的最短
//单源最短路径：dijkstra算法（不带负权）
//每次都可以确定一个点的最短路径，然后围绕这个点松弛
//准确性：如果当前选的不是最短，那就不会选中当前，而是其他的点，在松弛操作中更新出最短
//两个输出型参数,dist为路径长，pPath记录路径
void Dijkstra(const V& src, vector<W>& dist, vector<int>& pPath)  
{
	size_t n = _vertexs.size();
	size_t srci = GetVIndex(src);
	//初始化
	dist.resize(n, MAX_W);
	pPath.resize(n, -1);
	dist[srci] = W();
	//Q中为true，说明已经确认最短路径
	vector<bool> Q(n, false);
	//要确定N个顶点的最短，循环N次（其实只要N-1次即可，但为了逻辑就多循环一次）
	for (size_t i = 0; i < n; i++)
	{
		size_t u = srci;
		W min = MAX_W;
		//找到最短的路径，该路径已经可确认为最短
		for (size_t j = 0; j < n; j++)
		{
			if (Q[j] == false && dist[j] < min)
			{
				u = j;
				min = dist[j];
			}
		}
		Q[u] = true;
		//松弛顶点  srci-u  u-v  ->  srci-v
		for (size_t v = 0; v < n; v++)
		{
			if (_matrix[u][v] != MAX_W  && dist[u] + _matrix[u][v] < dist[v])
			{
				dist[v] = dist[u] + _matrix[u][v];
				pPath[v] = u;
			}
		}	
	}
}

5.3单源最短路径–Bellman-Ford算法

  1. Bellman-Ford算法本质是暴力算法。
  2. Bellman-Ford算法可以解决带负权的问题。
  3. Bellman-Ford算法的核心在于松弛顶点。

图解：
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习
负权回路：
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

//单源最短路径：BellmanFord算法（带负权，注意负权成环）
bool BellmanFord(const V& src, vector<W>& dist, vector<int>& pPath)
{
	size_t n = _vertexs.size();
	size_t srci = GetVIndex(src);
	//初始化
	dist.resize(n, MAX_W);
	pPath.resize(n, -1);
	dist[srci] = W();
	//最多更新n - 1
	for (size_t k = 0; k < n - 1; k++)
	{
		//优化的标志位，如果没有松弛更短，说明所有顶点最短路径都找到了
		bool flag = true;
		//所有顶点做一次松弛
		for (size_t i = 0; i < n; i++)
		{
			for (size_t j = 0; j < n; j++)
			{
				//src - i - j
				if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])  //更新出更短
				{
					dist[j] = dist[i] + _matrix[i][j];
					pPath[j] = i;
					flag = false;
				}
			}
		}
		if (flag)
		{
			break;
		}
	}

	for (size_t i = 0; i < n; i++)
	{
		for (size_t j = 0; j < n; j++)
		{
			//还能更新说明存在负权回路问题
			if (_matrix[i][j] != MAX_W && dist[i] + _matrix[i][j] < dist[j])  //更新出更短
			{
				return false;
			}
		}
	}
	return true;
}

5.4 多源最短路径–Floyd-Warshall算法

  1. 多源最短，即求任意两点的最短路径。
  2. 适用于带负权的图。
  3. Floyd-Warshall算法的核心是动态规划。

图解：
数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习

数据结构：图及相关算法讲解,高阶数据结构,数据结构,算法,图论,笔记,学习文章来源地址https://www.toymoban.com/news/detail-838964.html

//多源最短路径：FloydWarshall
//vvDist和vvPPath是二维的，vvDist[x]和vvPPath[x]表示以x为起点到各点的最短路径情况
void FloydWarShall(vector<vector<W>>& vvDist, vector<vector<int>>& vvPPath)
{
	size_t n = _vertexs.size();
	vvDist.resize(n);
	vvPPath.resize(n);
	// 初始化权值和路径矩阵
	for (size_t i = 0; i < n; ++i)
	{
		vvDist[i].resize(n, MAX_W);
		vvPPath[i].resize(n, -1);
	}

	//把直接相连的边入进来
	for (size_t i = 0; i < n; i++)
	{
		for (size_t j = 0; j < n; j++)
		{
			if (_matrix[i][j] != MAX_W)
			{
				vvDist[i][j] = _matrix[i][j];
				vvPPath[i][j] = i;
			}
			//i == j,即自己到自己
			if (i == j)
			{
				vvDist[i][j] = W();
			}
		}
	}
	
	//中间经过了(0, k)这些顶点
	for (size_t k = 0; k < n; ++k)
	{
		for (size_t i = 0; i < n; i++)
		{
			for (size_t j = 0; j < n; j++)
			{
				if (vvDist[i][k] != MAX_W && vvDist[k][j] != MAX_W && vvDist[i][k] + vvDist[k][j] < vvDist[i][j])
				{
					vvDist[i][j] = vvDist[i][k] + vvDist[k][j];
					vvPPath[i][j] = vvPPath[k][j];
				}
			}
		}
	}
}

5.5 几个算法的比较

  1. 假设图是稠密图，我们使用矩阵存储。 对这些算法的时间复杂度分析：
    Dijkstra算法：O（N ^ 2）。
    Bellman-Ford算法：O（N ^ 3）。
    Floyd-Warshall算法：O（N ^ 3）。
  2. Dijkstra算法适用于不带负权的图，如果想对不带负权的图找多源最短路径，也可以循环N次Dijkstra算法，效率和Floyd-Warshall差不多。
  3. Bellman-Ford算法和Floyd-Warshall算法都可以解决带负权的问题。
  4. Bellman-Ford算法大多数情况是快于Floyd-Warshall算法的，只是要单源最短且带负权用Bellman-Ford即可。而且针对Bellman-Ford算法可以用SPFA队列优化。（SPFA优化本文不讲，SPFA优化后时间复杂度不变，最坏的情况和朴素Bellman-Ford算法一致）
  5. Floyd-Warshall算法用于解决多源最短路径是效果较好，而且可解决带负权问题。

到了这里，关于数据结构：图及相关算法讲解的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 【数据结构】——排序算法的相关习题

    【数据结构】——排序算法的相关习题

    1、直接插入排序 1、对n个元素进行直接插入排序，需要进行（）趟处理。 A、n B、n+1 C、n-1 D、2n 解析： （C） 直接插入排序是将要排序的序列按照的大小插入至已排好序的子序列中，一直进行直到整个序列有序，所以对n个元素进行直接插入排序，一共插入元素n-1次，

    2024年02月03日
    浏览(45)
  • 数据结构与算法分析 第六章 图 作业讲解

    数据结构与算法分析 第六章 图 作业讲解

     参考教材： 《数据结构（C语言版 第2版）》 严蔚敏，李冬梅，吴伟民编著，人民邮电出版社，2022年版。 截图未标明出处均为原创或取自《数据结构（C语言版 第2版）》~   本文对应的作业题讲解视频：   数据结构与算法分析作业讲解视频合集 https://www.bilibili.com/video/BV1N

    2024年02月03日
    浏览(47)
  • 【数据结构与算法】二叉树的知识讲解

    【数据结构与算法】二叉树的知识讲解

    目录  一，二叉树的结构深入认识  二，二叉树的遍历  三，二叉树的基本运算 3-1，计算二叉树的大小 3-2，统计二叉树叶子结点个数 3-3，计算第k层的节点个数 3-4，查找指定值的结点         二叉树是不可随机访问的，二叉树的结构是通过双亲结点与孩子结点之间的连接进

    2024年02月08日
    浏览(41)
  • 数据结构和算法——用C语言实现所有图状结构及相关算法

    数据结构和算法——用C语言实现所有图状结构及相关算法

    本文所有代码均在仓库中，这是一个完整的由纯C语言实现的可以存储任意类型元素的数据结构的工程项目。 首先是极好的工程意识，该项目是一个中大型的CMake项目，结构目录清晰，通过这个项目可以遇见许多工程问题并且可以培养自己的工程意识。 其次是优秀的封装性（

    2024年02月06日
    浏览(222)
  • 深入讲解Linux内核中常用的数据结构和算法

    深入讲解Linux内核中常用的数据结构和算法

    Linux内核代码中广泛使用了数据结构和算法，其中最常用的两个是链表和红黑树。 Linux内核代码大量使用了链表这种数据结构。链表是在解决数组不能动态扩展这个缺陷而产生的一种数据结构。链表所包含的元素可以动态创建并插入和删除。链表的每个元素都是离散存放的，

    2023年04月16日
    浏览(42)
  • 数据结构与算法分析 第五章 树和二叉树 作业讲解

    数据结构与算法分析 第五章 树和二叉树 作业讲解

     参考教材： 《数据结构（C语言版 第2版）》 严蔚敏，李冬梅，吴伟民编著，人民邮电出版社，2022年版。 截图未标明出处均为原创或取自《数据结构（C语言版 第2版）》~   本文对应的作业题讲解视频：   数据结构与算法分析作业讲解视频合集 https://www.bilibili.com/video/BV1N

    2024年02月02日
    浏览(38)
  • 【数据结构】【算法】二叉树、二叉排序树、树的相关操作

    【数据结构】【算法】二叉树、二叉排序树、树的相关操作

    树结构是以分支关系定义的一种层次结构，应用树结构组织起来的数据，逻辑上都具有明显的层次关系。 操作系统中的文件管理系统、网络系统中的域名管理、数据库系统中的索引管理等都使用了树结构来组织和管理数据。 树 Tree 是由n个节点组成的有限集合。在任意一颗非

    2024年02月04日
    浏览(53)
  • 数据结构与算法分析 第七章 串、数组和广义表 作业讲解

    数据结构与算法分析 第七章 串、数组和广义表 作业讲解

     参考教材： 《数据结构（C语言版 第2版）》 严蔚敏，李冬梅，吴伟民编著，人民邮电出版社，2022年版。 截图未标明出处均为原创或取自《数据结构（C语言版 第2版）》~   本文对应的作业题讲解视频：   数据结构与算法分析作业讲解视频合集 https://www.bilibili.com/video/BV1N

    2024年02月04日
    浏览(48)
  • 数据结构 -最短路径dijkstra（迪杰斯特拉）算法讲解及代码实现

    数据结构 -最短路径dijkstra（迪杰斯特拉）算法讲解及代码实现

            迪杰斯特拉算法是一种广义的贪心算法，求出局部最优解，再去求全局最优解 举例图：（起始点为1） 辅助数组： s：记录了目标顶点到其他顶点的最短路径是否求得（求得为1，否则为0） p：目标顶点到其他顶点的最短路径的前驱节点 （如，求得1-7-5的最短路径，那

    2024年02月11日
    浏览(38)
  • 【算法与数据结构】归并排序的代码实现（详细图解）以及master公式的讲解

    【算法与数据结构】归并排序的代码实现（详细图解）以及master公式的讲解

    目录 1、归并排序  1.1、算法描述  1.2、图解说明 2、代码实现  3、master公式 3.1、公式以及结论 3.2、适用于某些特殊的递归 3.3、计算归并排序的时间复杂度 归并排序是建立在归并操作上的一种有效的排序算法。该算法是采用 递归 或者说是 分治法 （Divide and Conquer）的一个非

    2024年02月08日
    浏览(62)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包