image.png

1. 图

1.1. 概念

顶
顶点的度 d
边
相邻
重边
环
完全图: 所有顶都相邻
二分图: , X中, Y 中任两顶不相邻
轨道
圈

1.1.1. 性质

G是二分图 G无奇圈
树是无圈连通图
树中,

1.2. 图的表示

邻接矩阵
邻接链表

1.3. 树

无圈连通图, , 详细见树,

2. 搜索--求图的生成树^[1]

2.1. BFS

for v in V:
    v.d = MAX
    v.pre = None
    v.isFind = False
root. isFind = True
root.d = 0
que = [root]
while que !=[]:
    nd = que.pop(0)
    for v in Adj(nd):
        if not v.isFind :
            v.d = nd.d+1
            v.pre = nd
            v.isFind = True
            que.append(v)

时间复杂度

2.2. DFS

def dfs(G):
    time = 0
    for v in V:
        v.pre = None
        v.isFind = False
    for v in V : # note this, 
        if not v.isFind:
            dfsVisit(v)
    def dfsVisit(G,u):
        time =time+1
        u.begin = time
        u.isFind = True
        for v in Adj(u):
            if not v.isFind:
                v.pre = u
                dfsVisit(G,v)
        time +=1
        u.end = time

begin, end 分别是结点的发现时间与完成时间

2.2.1. DFS 的性质

其生成的前驱子图形成一个由多棵树构成的森林, 这是因为其与 dfsVisit 的递归调用树相对应
括号化结构
括号化定理:
考察两个结点的发现时间与结束时间的区间 [u,begin,u.end] 与 [v.begin,v.end]
- 如果两者没有交集, 则两个结点在两个不同的子树上(递归树)
- 如果 u 的区间包含在 v 的区间, 则 u 是v 的后代

2.3. 拓扑排序

利用 DFS, 结点的完成时间的逆序就是拓扑排序

同一个图可能有不同的拓扑排序

2.4. 强连通分量

在有向图中, 强连通分量中的结点互达
定义为中所有边反向后的图

将图分解成强连通分量的算法
在 Grev 上根据 G 中结点的拓扑排序来 dfsVisit, 即

compute Grev
initalization
for v in topo-sort(G.V):
    if not v.isFind: dfsVisit(Grev,v)

然后得到的DFS 森林(也是递归树森林)中每个树就是一个强连通分量

3. 最小生成树

利用了贪心算法,

3.1. Kruskal 算法

总体上, 从最开始每个结点就是一颗树的森林中(不相交集合, 并查集), 逐渐添加不形成圈的(两个元素不再同一个集合),最小边权的边.

edges=[]
for  edge as u,v in sorted(G.E):
    if find-set(u) != find-set(v):
        edges.append(edge)
        union(u,v)
return edges

如果并查集的实现采用了按秩合并与路径压缩技巧, 则 find 与 union 的时间接近常数
所以时间复杂度在于排序边, 即 , 而 , 所以 , 时间复杂度为

3.2. Prim 算法

用了 BFS, 类似 Dijkstra 算法
从根结点开始 BFS, 一直保持成一颗树

for v in V: 
    v.minAdjEdge = MAX
    v.pre = None
root.minAdjEdge = 0
que = priority-queue (G.V)  # sort by minAdjEdge
while not que.isempty():
    u = que.extractMin()
    for v in Adj(u):
        if v in que and v.minAdjEdge>w(u,v):
            v.pre = u
            v.minAdjEdge = w(u,v)

建堆 //note it's v, not vlgv
主循环中
- extractMin:
- in 操作可以另设标志位, 在常数时间完成, 总共
- 设置结点的 minAdjEdge, 需要, 循环 E 次,则总共

综上, 时间复杂度为
如果使用的是斐波那契堆, 在设置 minAdjEdge时调用 decrease-key, 这个操作摊还代价为 , 所以时间复杂度可改进到

4. 单源最短路

求一个结点到其他结点的最短路径, 可以用 Bellman-ford算法, 或者 Dijkstra算法.
定义两个结点u,v间的最短路

问题的变体

单目的地最短路问题: 可以将所有边反向转换成求单源最短路问题
单结点对的最短路径
所有结点对最短路路径

最短路的子路径也是最短路径

为从结点到的一条最短路径, 对于任意, 记为 p 中到的子路径, 则为到的一条最短路径

4.1. 负权重的边

Dijkstra 算法不能处理, 只能用 Bellman-Ford 算法,
而且如果有负值圈, 则没有最短路, bellman-ford算法也可以检测出来

4.2. 初始化

def initialaize(G,s):
    for v in G.V:
        v.pre = None
        v.distance = MAX
    s.distance = 0

4.3. 松弛操作

def relax(u,v,w):
    if v.distance > u.distance + w:
        v.distance = u.distance + w:
         v.pre = u

性质

三角不等式:
上界:
收敛: 对于某些结点u,v 如果s->...->u->v是图G中的一条最短路径，并且在对边，进行松弛前任意时间有则在之后的所有时间有
路径松弛性质: 如果是从源结点下v0到结点vk的一条最短路径，并且对p中的边所进行松弛的次序为, 则
该性质的成立与任何其他的松弛操作无关，即使这些松弛操作是与对p上的边所进行的松弛操作穿插进行的。

证明

4.4. 有向无环图的单源最短路问题

def dag-shortest-path(G,s):
    initialize(G,s)
    for u in topo-sort(G.V):
        for v in Adj(v):
            relax(u,v,w(u,v))

4.5. Bellman-Ford 算法

def bellman-ford(G,s):
    initialize(G,s)
    for ct in range(|V|-1): # v-1 times
        for u,v as edge in E:
            relax(u,v,w(u,v))
    for u,v as edge in E:
        if v.distance > u.distance + w(u,v):
            return False
    return True

第一个 for 循环就是进行松弛操作, 最后结果已经存储在结点的distance 和 pre 属性中了, 第二个 for 循环利用三角不等式检查有不有负值圈.

下面是证明该算法的正确性

4.6. Dijkstra 算法

, 要求不能有负值边

Dijkstra算法既类似于广度优先搜索（，也有点类似于计算最小生成树的Prim算法。它与广度优先搜索的类似点在于集合S对应的是广度优先搜索中的黑色结点集合：正如集合S中的结点的最短路径权重已经计算出来一样，在广度优先搜索中，黑色结点的正确的广度优先距离也已经计算出来。Dijkstra算法像Prim算法的地方是，两个算法都使用最小优先队列来寻找给定集合（Dijkstra算法中的S集合与Prim算法中逐步增长的树）之外的“最轻”结点，将该结点加入到集合里，并对位于集合外面的结点的权重进行相应调整。

def dijkstra(G,s):
    initialize(G,s)
    paths=[]
    q = priority-queue(G.V) # sort by distance
    while not q.empty():
        u = q.extract-min()
        paths.append(u)
        for v in Adj(u):
            relax(u,v,w(u,v))

5. 所有结点对的最短路问题

5.1. 矩阵乘法

使用动态规划算法, 可以得到最短路径的结构
设为从结点i 到结点 j 的至多包含 m 条边的任意路径的最小权重,当m = 0, 此时i=j, 则为0,
可以得到递归定义

由于对于所有 j, 有 ,所以上式后面的等式成立.

由于是简单路径, 则包含的边最多为 |V|-1 条, 所以

所以可以从自底向上计算, 如下
输入权值矩阵 ,输出, 其中 ,

def  f(L, W):
  n = L.rows
  L_new = new matrix(row=n ,col = n)
  for i in range(n):
      for j in range(n):
          L_new[i][j] = MAX
          for k in range(n):
              L_new[i][j] = min(L_new[i][j], L[i][k]+w[k][j])
  return L_new

可以看出该算法与矩阵乘法的关系
,
所以可以直接计算乘法, 每次计算一个乘积是 , 计算 V 次, 所以总体 , 使用矩阵快速幂可以将时间复杂度降低为

def f(W):
    L = W
    i = 1
    while i

 
 5.2. Floyd-Warshall 算法 
 同样要求可以存在负权边, 但不能有负值圈. 用动态规划算法:
 设  为 从 i 到 j 所有中间结点来自集合  的一条最短路径的权重. 则有
 
 而且为了找出路径, 需要记录前驱结点, 定义如下前驱矩阵 , 设  为 从 i 到 j 所有中间结点来自集合  的最短路径上 j 的前驱结点
 则
 
 对 
  
 由此得出此算法 
 def floyd-warshall(W):
    n = len(W)
    D= W
    initialize pre
    for k in range(n):
        pre2 = pre.copy()
        for i in range(n):
            for j in range(n)
                if d[i][j] > d[i][k]+d[k][j]:
                    d[i][j] =d[i][k]+d[k][j]
                    pre2[i][j] = pre[k][j]
        pre = pre2
return d,pre
 
 5.3. Johnson 算法 
 思路是通过重新赋予权重, 将图中负权边转换为正权,然后就可以用 dijkstra 算法(要求是正值边)来计算一个结点到其他所有结点的, 然后对所有结点用dijkstra 
  
  首先构造一个新图 G'
 先将G拷贝到G', 再添加一个新结点 s, 添加 G.V条边, s 到G中顶点的, 权赋值为 0 
  用 Bellman-Ford 算法检查是否有负值圈, 如果没有, 同时求出   
  求新的非负值权, w'(u,v) = w(u,v)+h(u)-h(v) 
   对所有结点在 新的权矩阵w'上 用 Dijkstra 算法
 
 
    
     
      
       
      
     
    
      image.png 
     
   
  
  
 JOHNSON (G, u) 

s = newNode
G' = G.copy()
G'.addNode(s)
for v in G.V: G'.addArc(s,v,w=0)

if BELLMAN-FORD(G' , w, s) ==FALSE 
    error "the input graph contains a negative-weight cycle" 

for v in G'.V:
    # computed by the bellman-ford algorithm, delta(s,v) is the shortest distance from s to v
    h(v) = delta(s,v) 
for edge(u,v) in G'.E:
    w' = w(u,v)+h(u)-h(v)
d = matrix(n,n)
for u in G:
    dijkstra(G,w',u) # compute delta' for all v in G.V
    for v in G.V:
        d[u][v] = delta'(u,v) + h(v)-h(u)
return d
 
 6. 最大流 
 G 是弱连通严格有向加权图, s为源, t 为汇, 每条边e容量 c(e), 由此定义了网络N(G,s,t,c(e)), 
  
  流函数 
 
 其中  是以 v 为头的边集, 是以 v 为尾的边集 
  流量:   
  截:   
  截量  
  
 6.1. 定理^[2]  
  
  对于任一截, 有 
 
    
     
      
       
      
     
    
      prove 
     
   
  
   
 证明: 由上面定理
 
 而 , 则
   
  最大流,最小截: 若, 则F'是最大流量, C(S) 是最小截量 
  
 6.2. 多个源,汇 
 可以新增一个总的源,一个总的汇, 
 
 
  
   
    
     
    
   
   
  
 6.3. Ford-Fulkerson 方法 
 由于其实现可以有不同的运行时间, 所以称其为方法, 而不是算法.
 思路是 循环增加流的值, 在一个关联的"残存网络" 中寻找一条"增广路径", 然后对这些边进行修改流量. 重复直至残存网络上不再存在增高路径为止. 
 def ford-fulkerson(G,s,t):
    initialize flow f to 0
    while exists an augmenting path p in residual network Gf:
        augment flow f along p
    return f
 
 6.3.1. 残存网络 
  
   
    
     
    
   
   
  
 6.3.2. 增广路径 
  
   
    
     
    
   
   
  
 6.3.3. 割 
  
   
    
     
    
   
   
  
 6.4. 基本的 Ford-Fulkerson算法 
 def ford-fulkerson(G,s,t):
    for edge in G.E: edge.f = 0
    while exists path p:s->t  in Gf:
        cf(p) = min{cf(u,v):(u,v) is in p}
        for edge in p:
            if edge  in E:
                edge.f +=cf(p)
            else: reverse_edge.f -=cf(p)
 
 6.5. TBD 
 7. 参考资料 
  
  
   算法导论 ↩
  
   图论, 王树禾 ↩

图算法

1. 图

1.1. 概念

1.1.1. 性质

1.2. 图的表示

1.3. 树

2. 搜索--求图的生成树^[1]

2.1. BFS

2.2. DFS

2.2.1. DFS 的性质

2.3. 拓扑排序

2.4. 强连通分量

3. 最小生成树

3.1. Kruskal 算法

3.2. Prim 算法

4. 单源最短路

最短路的子路径也是最短路径

4.1. 负权重的边

4.2. 初始化

4.3. 松弛操作

4.4. 有向无环图的单源最短路问题

4.5. Bellman-Ford 算法

4.6. Dijkstra 算法

5. 所有结点对的最短路问题

5.1. 矩阵乘法

5.2. Floyd-Warshall 算法

5.3. Johnson 算法

6. 最大流

6.1. 定理^[2]

6.2. 多个源,汇

6.3. Ford-Fulkerson 方法

6.3.1. 残存网络

6.3.2. 增广路径

6.3.3. 割

6.4. 基本的 Ford-Fulkerson算法

6.5. TBD

7. 参考资料

你可能感兴趣的:(图算法)

图算法

1. 图

1.1. 概念

1.1.1. 性质

1.2. 图的表示

1.3. 树

2. 搜索--求图的生成树[1]

2.1. BFS

2.2. DFS

2.2.1. DFS 的性质

2.3. 拓扑排序

2.4. 强连通分量

3. 最小生成树

3.1. Kruskal 算法

3.2. Prim 算法

4. 单源最短路

最短路的子路径也是最短路径

4.1. 负权重的边

4.2. 初始化

4.3. 松弛操作

4.4. 有向无环图的单源最短路问题

4.5. Bellman-Ford 算法

4.6. Dijkstra 算法

5. 所有结点对的最短路问题

5.1. 矩阵乘法

5.2. Floyd-Warshall 算法

5.3. Johnson 算法

6. 最大流

6.1. 定理[2]

6.2. 多个源,汇

6.3. Ford-Fulkerson 方法

6.3.1. 残存网络

6.3.2. 增广路径

6.3.3. 割

6.4. 基本的 Ford-Fulkerson算法

6.5. TBD

7. 参考资料

你可能感兴趣的:(图算法)

2. 搜索--求图的生成树^[1]

6.1. 定理^[2]