[数据结构与算法] 盘点工作中常用的算法

常用算法总结

    • 1. 二分查找算法(非递归)
    • 2. 分治问题
    • 3. 动态规划算法
    • 4. KMP算法(字符串匹配问题)
      • 方式一: 暴力匹配算法
      • 方式二: KMP算法
    • 5. 贪心算法
    • 6. 普里姆算法
    • 7. 克鲁斯卡尔算法
    • 8. 迪杰斯特拉算法
    • 9. 弗洛伊德算法
    • 10. 马踏棋盘/骑士周游问题

在工作和生活中, 我们经常会遇到很多算法. 但是不同于我们之前学习的数据结构与算法, 他们更具目的性, 更加贴合我们工作需要. 下面, 就让我们一起来学习吧!

1. 二分查找算法(非递归)

介绍

  • 前面我们讲过了二分查找算法,是使用递归的方式,下面我们讲解二分查找算法的非递归方式
  • 二分查找法只适用于从有序的数列中进行查找(比如数字和字母等),将数列排序后再进行查找
  • 二分查找法的运行时间复杂度为对数时间O(㏒₂n) ,即查找到需要的目标位置最多只需要㏒₂n步,假设从[0,99]的队列(100个数,即n=100)中寻到目标数30,则需要查找步数为㏒₂100 , 即最多需要查找7次( 2^6 < 100 < 2^7)

案例: 数组 {1,3, 8, 10, 11, 67, 100}, 编程实现二分查找, 要求使用非递归的方式完成.

思路分析:

  • 需要手动定义参数: left,right,mid,midVal (后两个需要在循环语句内定义,因为每次循环结束后都要被初始化)
  • 当最左边下标小于等于最右边下标时(left<=right>),执行如下判断
    1.midVal>target//说明带查找的值位于中间值左边(将right=mid-1)
    2.midVal//说明带查找的值位于中间值右边(将left=mid+1)
    3.midVal=target,说明中间值就是需要找到的元素,直接返回即可
  • 如果left>right,说明遍历所有元素后未找到结果

代码实现:

public class BinarySearchNoRecur {
     
    public static void main(String[] args) {
     
        int arr[] = {
     1, 3, 8, 10, 11, 67, 100};
        int i = binarySearch1(arr, 1);//非递归方式
        //int i = binarySearch2(arr, 0,arr.length-1,1);//递归方式
        if (i==-1){
     
            System.out.println("未找到结果,请重试");
        }else {
     
            System.out.println("当前元素的下标为: "+i);
        }
    }

    /**
     * 二分查找非递归实现
     * @param arr  待查数组,必须是升序
     * @param target  待查找的数
     * @return  如果找到则返回对应下标,否则返回-1
     */
    public static int binarySearch1(int[] arr,int target){
     
        int left=0;//最左边下标
        int right = arr.length - 1;//最右边的下标

        while (left<=right){
     
         //如果这两个值在外面定义,则每次循环结束后不会被初始化,导致死循环
        int mid = (left + right) / 2;//中间值下标
        int midVal = arr[mid];//中间值
            if (midVal>target){
     //说明带查找的值位于中间值左边(将right=mid-1)
                right = mid - 1;
            }else if (midVal<target){
     //说明带查找的值位于中间值右边(将left=mid+1)
                left = mid + 1;
            }else {
     
                return mid;
            }
        }
        //如果left>right,说明遍历所有元素后未找到结果
        return -1;
    }

    /**
     * 复习二分查找的递归实现
     * @param arr   带查找的数组,必须是有序的
     * @param left   最左边的下标,递归调用时必须有的参数(非递归可无)
     * @param right   最右边的下标,递归调用时必须有的参数(非递归可无)
     * @param target   目标元素
     * @return          查找到返回相应的下标,否则返回-1
     */
    public static int binarySearch2(int[] arr, int left, int right, int target) {
     
        //设置中间值和中间下标
        int mid = (left + right) / 2;
        int midVal = arr[mid];

        if (left > right) {
     //如果left>right,说明遍历所有元素后未找到结果
            return -1;
        } else {
     
            if (midVal < target) {
     //说明目标值位于中间值右侧
                return binarySearch2(arr, mid + 1, right, target);
            } else if (midVal > target) {
     //说明目标值位于中间值左侧
                return binarySearch2(arr, left, mid - 1, target);
            } else {
     
                return mid;
            }
        }
    }
}

结果测试
[数据结构与算法] 盘点工作中常用的算法_第1张图片

2. 分治问题

分治算法介绍
分治法是一种很重要的算法。字面上的解释是“分而治之”,就是把一个复杂的问题分成两个或更多的相同或相似的子问题,再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。 这个技巧是很多高效算法的基础,如排序算法(快速排序,归并排序),傅立叶变换(快速傅立叶变换)……

分治算法可以求解的一些经典问题

  • 二分搜索
  • 大整数乘法
  • 棋盘覆盖
  • 合并排序
  • 快速排序
  • 线性时间选择
  • 最接近点对问题
  • 循环赛日程表
  • 汉诺塔

由上面举例可以看出, 分治问题实质是对方法的递归调用. 通过以递归调用多占用的空间来换取运行程序所需要的时间(以空间换时间)

分治算法的基本步骤

分治法在每一层递归上都有三个步骤:

  1. 分解:将原问题分解为若干个规模较小,相互独立,与原问题形式相同的子问题
  2. 解决:若子问题规模较小而容易被解决则直接解,否则递归地解各个子问题
  3. 合并:将各个子问题的解合并为原问题的解。

分治(Divide-and-Conquer( P))算法设计模式如下:

[数据结构与算法] 盘点工作中常用的算法_第2张图片
其中|P|表示问题P的规模;n0为一阈值,表示当问题P的规模不超过n0时,问题已容易直接解出,不必再继续分解。ADHOC( P)是该分治法中的基本子算法,用于直接解小规模的问题P。因此,当P的规模不超过n0时直接用算法ADHOC( P)求解。算法MERGE(y1,y2,…,yk)是该分治法中的合并子算法,用于将P的子问题P1 ,P2 ,…,Pk的相应的解y1,y2,…,yk合并为P的解。

分治算法最佳实践-汉诺塔
点击试玩汉诺塔游戏

汉诺塔游戏的演示和思路分析:

  • 如果是有一个盘, A->C
    如果我们有 n >= 2 情况,我们总是可以看做是两个盘 1.最下边的盘 2. 上面的盘
  • 先把 最上面的盘 A->B
  • 把最下边的盘 A->C
  • 把B塔的所有盘 从 B->C
public class HanoiTower {
     
    public static void main(String[] args) {
     
        hanoiTower(10, 'A', 'B', 'C');
    }

    /**
     * 汉诺塔移动的方法---分治算法
     * @param num  盘子的个数
     * @param a    代表第一个放盘子的位置
     * @param b    代表第二个放盘子的位置
     * @param c    代表第三个放盘子的位置
     */
    public static void hanoiTower(int num, char a, char b, char c) {
     
        //如果只有一个盘
        if(num == 1) {
     
            System.out.println("第1个盘从 " + a + "->" + c);
        } else {
     
            //如果我们有 n >= 2 情况,我们总是可以看做是两个盘 1.最下边的一个盘 2. 上面的所有盘
            //1. 先把最上面的所有盘 A->B, 移动过程会使用到 c
            hanoiTower(num - 1, a, c, b);
            //2. 把最下边的盘 A->C
            System.out.println("第" + num + "个盘从 " + a + "->" + c);
            //3. 把B塔的所有盘 从 B->C , 移动过程使用到 a塔
            hanoiTower(num - 1, b, a, c);

        }
    }



}

结果展示
调用该方法是,第一个参数代表盘的个数,我们可以通过指定这个参数运行得到下图步骤, 根据这些步骤即可破解该游戏
[数据结构与算法] 盘点工作中常用的算法_第3张图片

3. 动态规划算法

动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法

  • 动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
  • 与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
  • 动态规划可以通过填表的方式来逐步推进,得到最优解.

应用场景-背包问题

背包问题:有一个背包,容量为4磅 , 现有如下物品

  1. 要求达到的目标为装入的背包的总价值最大,并且重量不超出

  2. 要求装入的物品不能重复
    [数据结构与算法] 盘点工作中常用的算法_第4张图片

  3. 思路分析和图解
    背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品,如何选择物品放入背包使物品的价值最大。其中又分01背包和完全背包(完全背包指的是:每种物品都有无限件可用)
    这里的问题属于01背包,即每个物品最多放一个。而无限背包可以转化为01背包。

    (1)  v[i][0]=v[0][j]=0; //表示 填入表 第一行和第一列是0
    (2) 当w[i]> j 时:v[i][j]=v[i-1][j]   // 当准备加入新增的商品的容量大于 当前背包的容量时,就直接使用上一个单元格的装入策略
    (3) 当j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]}  
    	// 当准备加入的新增的商品的容量小于等于当前背包的容量,
    	// 装入的方式:
    	v[i-1][j]: 就是上一个单元格的装入的最大值
    	v[i] : 表示当前商品的价值 
    	v[i-1][j-w[i]] : 装入i-1商品,到剩余空间j-w[i]的最大值
    	当j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]} : 
    

    [数据结构与算法] 盘点工作中常用的算法_第5张图片
    注意: 在求解该类问题(动态规划)时. 需要总结出公式/思路, 然后将这个思路转换成代码即可

代码实现

public class KnapsackProblem {
     
    public static void main(String[] args) {
     
        int[] w = {
     1, 4, 3};//物品的重量
        int[] val = {
     1500, 3000, 2000}; //物品的价值 这里val[i] 就是前面讲的v[i]
        int m = 4; //背包的容量
        int n = val.length; //物品的个数

        //创建二维数组,
        //v[i][j] 表示在前i个物品中能够装入容量为j的背包中的最大价值
        int[][] v = new int[n+1][m+1];
        //为了记录放入商品的情况,我们定一个二维数组
        int[][] path = new int[n+1][m+1];

        //初始化第一行和第一列, 这里在本程序中,可以不去处理,因为默认就是0
        for(int i = 0; i < v.length; i++) {
     
            v[i][0] = 0; //将第一列设置为0
        }
        for(int i=0; i < v[0].length; i++) {
     
            v[0][i] = 0; //将第一行设置0
        }


        //根据前面得到公式来动态规划处理
        for(int i = 1; i < v.length; i++) {
      //不处理第一行 i是从1开始的
            for(int j=1; j < v[0].length; j++) {
     //不处理第一列, j是从1开始的
                //公式
                if(w[i-1]> j) {
      // 因为我们程序i 是从1开始的,因此原来公式中的 w[i] 修改成 w[i-1]
                    v[i][j]=v[i-1][j];
                } else {
     
                    //说明:
                    //因为我们的i 从1开始的, 因此公式需要调整成
                    //v[i][j]=Math.max(v[i-1][j], val[i-1]+v[i-1][j-w[i-1]]);
                    //v[i][j] = Math.max(v[i - 1][j], val[i - 1] + v[i - 1][j - w[i - 1]]);
                    //为了记录商品存放到背包的情况,我们不能直接的使用上面的公式,需要使用if-else来体现公式
                    if(v[i - 1][j] < val[i - 1] + v[i - 1][j - w[i - 1]]) {
     
                        v[i][j] = val[i - 1] + v[i - 1][j - w[i - 1]];
                        //把当前的情况记录到path
                        path[i][j] = 1;
                    } else {
     
                        v[i][j] = v[i - 1][j];
                    }

                }
            }
        }

        //输出一下v 看看目前的情况
        for(int i =0; i < v.length;i++) {
     
            for(int j = 0; j < v[i].length;j++) {
     
                System.out.print(v[i][j] + " ");
            }
            System.out.println();
        }

        System.out.println("============================");
        //输出最后我们是放入的哪些商品
        //遍历path, 这样输出会把所有的放入情况都得到, 其实我们只需要最后的放入
//		for(int i = 0; i < path.length; i++) {
     
//			for(int j=0; j < path[i].length; j++) {
     
//				if(path[i][j] == 1) {
     
//					System.out.printf("第%d个商品放入到背包\n", i);
//				}
//			}
//		}

        //动脑筋
        int i = path.length - 1; //行的最大下标
        int j = path[0].length - 1;  //列的最大下标
        while(i > 0 && j > 0 ) {
      //从path的最后开始找
            if(path[i][j] == 1) {
     
                System.out.printf("第%d个商品放入到背包\n", i);
                j -= w[i-1]; //w[i-1]
            }
            i--;
        }

    }

}

结果展示

[数据结构与算法] 盘点工作中常用的算法_第6张图片

4. KMP算法(字符串匹配问题)

应用场景-字符串匹配问题
有一个字符串 str1= “bbc abcdab abcdabcdabdf”,和一个子串 str2 = “abcdabd”
现在要判断 str1 是否含有 str2, 如果存在,就返回第一次出现的位置, 如果没有,则返回-1

方式一: 暴力匹配算法

如果用暴力匹配的思路,并假设现在str1匹配到 i 位置,子串str2匹配到 j 位置,则有:

  • 如果当前字符匹配成功(即str1[i] == str2[j]),则i++,j++,继续匹配下一个字符
  • 如果失配(即str1[i]! = str2[j]),令i = i - (j - 1),j = 0。相当于每次匹配失败时,i 回溯,j 被置为0。
  • 用暴力方法解决的话就会有大量的回溯,每次只移动一位,若是不匹配,移动到下一位接着判断,浪费了大量的时间。(不可行!)
  • 暴力匹配算法实现.
public class ViolenceMatch {
     
    public static void main(String[] args) {
     
        //测试暴力匹配算法
        String str1 = "bbc abcdab abcdabcdabde";
        String str2 = "abcdabd";
        int index = violenceMatch(str1, str2);//返回的是匹配后s1的下标,从0开始
        System.out.println("index=" + index);
    }

    /**
     * 暴力匹配算法
     * @param str1
     * @param str2
     * @return  如果匹配到了返回第一个字符的下标,否则返回-1
     */
    public static int violenceMatch(String str1,String str2){
     
        //将两个字符串转换成对应的字符串数组
        char[] s1 = str1.toCharArray();
        char[] s2 = str2.toCharArray();
        //求两个字符串的长度
        int s1Len = s1.length;
        int s2Len = s2.length;

        int i = 0;//i索引指向s1
        int j = 0;//j索引指向s2

        while (i<s1Len && j<s2Len){
     //保证匹配不越界
            if (s1[i]==s2[j]){
     //当前字符相等时,向后继续匹配
                i++;
                j++;
            }else {
     //s1[i]!=s2[j],即当前字符不相等
                //精髓!相当于s2第一个字符的下标将开始与s1第二,第三个个字符下标进行匹配...
                i = i - (j - 1);
                j = 0;
            }
        }
        // 对结果进行判断
        if (j==s2Len){
     
            return i - j;//这里的i是s1中包含s2的最后字符的下标, j是字符串s2的长度
        }else {
     
            return -1;
        }

    }
}

结果展示
[数据结构与算法] 盘点工作中常用的算法_第7张图片

方式二: KMP算法

KMP是一个解决模式串在文本串是否出现过,如果出现过,最早出现的位置的经典算法
Knuth-Morris-Pratt 字符串查找算法,简称为 “KMP算法”,常 用于在一个文本串S内查找一个模式串P 的出现位置 ,这个算法由Donald Knuth、Vaughan Pratt、James H. Morris三人于1977年联合发表,故取这3人的姓氏命名此算法.

KMP方法算法利用之前判断过信息,通过一个next数组,保存模式串中前后最长公共子序列的长度,每次回溯时,通过next数组找到,前面匹配过的位置,省去了大量的计算时间

参考资料:
很详尽KMP算法(专业性较强)
漫画:什么是KMP算法?(适合初学者)

KMP算法最佳应用-字符串匹配问题
要求:问题同上, 使用KMP算法完成判断,不能使用简单的暴力匹配算法.

public class KMPAlgorithm {
     
    public static void main(String[] args) {
     
        String str1 = "BBC ABCDAB ABCDABCDABDE";
        String str2 = "ABCDABD";
        //String str2 = "BBC";

        int[] next = kmpNext("ABCDABD"); //[0, 1, 2, 0]
        System.out.println("next=" + Arrays.toString(next));

        int index = kmpSearch(str1, str2, next);
        System.out.println("index=" + index); // 15


    }

    /**
     *kmp搜索算法
     * @param str1 原字符串
     * @param str2 子串
     * @param next 部分匹配表, 是子串对应的部分匹配表
     * @return 如果是-1就是没有匹配到,否则返回第一个匹配的位置
     */
    public static int kmpSearch(String str1, String str2, int[] next) {
     
        //遍历
        for(int i = 0, j = 0; i < str1.length(); i++) {
     

            //需要处理 str1.charAt(i) != str2.charAt(j), 去调整j的大小
            //KMP算法核心点, 可以验证...
            while( j > 0 && str1.charAt(i) != str2.charAt(j)) {
     
                j = next[j-1];
            }

            if(str1.charAt(i) == str2.charAt(j)) {
     
                j++;
            }
            if(j == str2.length()) {
     //找到了 // j = 3 i
                return i - j + 1;
            }
        }
        return  -1;
    }

    //获取到一个字符串(子串) 的部分匹配值表
    public static  int[] kmpNext(String dest) {
     
        //创建一个next 数组保存部分匹配值
        int[] next = new int[dest.length()];
        next[0] = 0; //如果字符串是长度为1 部分匹配值就是0
        for(int i = 1, j = 0; i < dest.length(); i++) {
     
            //当dest.charAt(i) != dest.charAt(j) ,我们需要从next[j-1]获取新的j
            //直到我们发现 有  dest.charAt(i) == dest.charAt(j)成立才退出
            //这是kmp算法的核心点
            while(j > 0 && dest.charAt(i) != dest.charAt(j)) {
     
                j = next[j-1];
            }

            //当dest.charAt(i) == dest.charAt(j) 满足时,部分匹配值就是+1
            if(dest.charAt(i) == dest.charAt(j)) {
     
                j++;
            }
            next[i] = j;
        }
        return next;
    }
}


运行结果

[数据结构与算法] 盘点工作中常用的算法_第8张图片

5. 贪心算法

贪婪算法(贪心算法)是指在对问题进行求解时,在每一步选择中都采取最好或者最优(即最有利)的选择,从而希望能够导致结果是最好或者最优的算法

  • 贪心算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果

贪心算法最佳应用-集合覆盖

假设存在如下表的需要付费的广播台,以及广播台信号可以覆盖的地区。 如何选择最少的广播台,让所有的地区都可以接收到信号
[数据结构与算法] 盘点工作中常用的算法_第9张图片

思路一 穷举法 :

如何找出覆盖所有地区的广播台的集合呢,使用穷举法实现,列出每个可能的广播台的集合,这被称为幂集。假设总的有n个广播台,则广播台的组合总共有2ⁿ -1 个,假设每秒可以计算10个子集, 如图:
[数据结构与算法] 盘点工作中常用的算法_第10张图片

思路二:使用贪心算法

  • 使用贪婪算法,效率高:
  • 目前并没有算法可以快速计算得到准备的值 , 使用贪婪算法,则可以得到非常接近的解,并且效率高。选择策略上,因为需要覆盖全部地区的最小集合:
  • 遍历所有的广播电台, 找到一个覆盖了最多未覆盖的地区的电台(此电台可能包含一些已覆盖的地区,但没有关系)
  • 将这个电台加入到一个集合中(比如ArrayList), 想办法把该电台覆盖的地区在下次比较时去掉。
    重复第1步直到覆盖了全部的地区

思路图解
[数据结构与算法] 盘点工作中常用的算法_第11张图片

代码实现

  • 贪婪算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
    比如上题的算法选出的是K1, K2, K3, K5,符合覆盖了全部的地区
  • 但我们发现 K2, K3,K4,K5 也可以覆盖全部地区,如果K2 的使用成本低于K1,那么我们上题的 K1, K2, K3, K5 虽然是满足条件,但是并不是最优的.
public class GreedyAlgorithm {
     
    public static void main(String[] args) {
     
        //创建广播电台,放入到Map
        HashMap<String, HashSet<String>> broadcasts = new HashMap<String, HashSet<String>>();
        //将各个电台放入到broadcasts
        HashSet<String> hashSet1 = new HashSet<String>();
        hashSet1.add("北京");
        hashSet1.add("上海");
        hashSet1.add("天津");

        HashSet<String> hashSet2 = new HashSet<String>();
        hashSet2.add("广州");
        hashSet2.add("北京");
        hashSet2.add("深圳");

        HashSet<String> hashSet3 = new HashSet<String>();
        hashSet3.add("成都");
        hashSet3.add("上海");
        hashSet3.add("杭州");


        HashSet<String> hashSet4 = new HashSet<String>();
        hashSet4.add("上海");
        hashSet4.add("天津");

        HashSet<String> hashSet5 = new HashSet<String>();
        hashSet5.add("杭州");
        hashSet5.add("大连");

        //加入到map
        broadcasts.put("K1", hashSet1);
        broadcasts.put("K2", hashSet2);
        broadcasts.put("K3", hashSet3);
        broadcasts.put("K4", hashSet4);
        broadcasts.put("K5", hashSet5);

        //allAreas 存放所有的地区
        HashSet<String> allAreas = new HashSet<String>();
        allAreas.add("北京");
        allAreas.add("上海");
        allAreas.add("天津");
        allAreas.add("广州");
        allAreas.add("深圳");
        allAreas.add("成都");
        allAreas.add("杭州");
        allAreas.add("大连");

        //创建ArrayList, 存放选择的电台集合
        ArrayList<String> selects = new ArrayList<String>();

        //定义一个临时的集合, 在遍历的过程中,存放遍历过程中的电台覆盖的地区和当前还没有覆盖的地区的交集
        HashSet<String> tempSet = new HashSet<String>();

        //定义给maxKey , 保存在一次遍历过程中,能够覆盖最大未覆盖的地区对应的电台的key
        //如果maxKey 不为null , 则会加入到 selects
        String maxKey = null;
        while(allAreas.size() != 0) {
      // 如果allAreas 不为0, 则表示还没有覆盖到所有的地区
            //每进行一次while,需要
            maxKey = null;

            //遍历 broadcasts, 取出对应key
            for(String key : broadcasts.keySet()) {
     
                //每进行一次for
                tempSet.clear();
                //当前这个key能够覆盖的地区
                HashSet<String> areas = broadcasts.get(key);
                tempSet.addAll(areas);
                //求出tempSet 和   allAreas 集合的交集, 交集会赋给 tempSet
                tempSet.retainAll(allAreas);
                //如果当前这个集合包含的未覆盖地区的数量,比maxKey指向的集合地区还多
                //就需要重置maxKey
                // tempSet.size() >broadcasts.get(maxKey).size()) 体现出贪心算法的特点,每次都选择最优的
                if(tempSet.size() > 0 &&
                        (maxKey == null || tempSet.size() >broadcasts.get(maxKey).size())){
     
                    maxKey = key;
                }
            }
            //maxKey != null, 就应该将maxKey 加入selects
            if(maxKey != null) {
     
                selects.add(maxKey);
                //将maxKey指向的广播电台覆盖的地区,从 allAreas 去掉
                allAreas.removeAll(broadcasts.get(maxKey));
            }
        }
        System.out.println("得到的选择结果是" + selects);//[K1,K2,K3,K5]
    }

}

结果展示
[数据结构与算法] 盘点工作中常用的算法_第12张图片

6. 普里姆算法

普利姆(Prim)算法求最小生成树,也就是在包含n个顶点的连通图中,找出只有(n-1)条边包含所有n个顶点的连通子图,也就是所谓的极小连通子图

最小生成树

  • 修路问题本质就是就是最小生成树问题, 先介绍一下最小生成树(Minimum Cost Spanning Tree),简称MST。
  • 给定一个带权的无向连通图,如何选取一棵生成树,使树上所有边上权的总和为最小,这叫最小生成树
  • N个顶点,一定有N-1条边,包含全部顶点
  • N-1条边都在图中
    [数据结构与算法] 盘点工作中常用的算法_第13张图片

求最小生成树的算法

  • 普里姆算法
  • 克鲁斯卡尔算法

普利姆的算法如下:

  • 设G=(V,E)是连通网,T=(U,D)是最小生成树,V,U是顶点集合,E,D是边的集合
  • 若从顶点u开始构造最小生成树,则从集合V中取出顶点u放入集合U中,标记顶点v的visited[u]=1
  • 若集合U中顶点ui与集合V-U中的顶点vj之间存在边,则寻找这些边中权值最小的边,但不能构成回路,将顶- 点vj加入集合U中,将边(ui,vj)加入集合D中,标记visited[vj]=1
  • 重复步骤②,直到U与V相等,即所有顶点都被标记为访问过,此时D中有n-1条边
    提示: 单独看步骤很难理解,我们通过代码来讲解,比较好理解.

应用场景-修路问题

有某个乡有7个村庄(A, B, C, D, E, F, G) ,现在需要修路把7个村庄连通
各个村庄的距离用边线表示(权) ,比如 A – B 距离 5公里

问:如何修路保证各个村庄都能连通,并且总的修建公路总里程最短?
思路: 将10条边,连接即可,但是总的里程数不是最小.
正确的思路,就是尽可能的选择少的路线,并且每条路线最小,保证总里程数最少

[数据结构与算法] 盘点工作中常用的算法_第14张图片

代码实现

public class PrimAlgorithm {
     
    public static void main(String[] args) {
     
        //测试看看图是否创建ok
        char[] data = new char[]{
     'A','B','C','D','E','F','G'};
        int verxs = data.length;
        //邻接矩阵的关系使用二维数组表示,10000这个大数,表示两个点不联通
        int [][]weight=new int[][]{
     
                {
     10000,5,7,10000,10000,10000,2},
                {
     5,10000,10000,9,10000,10000,3},
                {
     7,10000,10000,10000,8,10000,10000},
                {
     10000,9,10000,10000,10000,4,10000},
                {
     10000,10000,8,10000,10000,5,4},
                {
     10000,10000,10000,4,5,10000,6},
                {
     2,3,10000,10000,4,6,10000},};

        //创建MGraph对象
        MGraph graph = new MGraph(verxs);
        //创建一个MinTree对象
        MinTree minTree = new MinTree();
        minTree.createGraph(graph, verxs, data, weight);
        //输出
        minTree.showGraph(graph);
        //测试普利姆算法
        minTree.prim(graph, 1);//
    }

}

//创建最小生成树->村庄的图
class MinTree {
     
    //创建图的邻接矩阵
    /**
     *
     * @param graph 图对象
     * @param verxs 图对应的顶点个数
     * @param data 图的各个顶点的值
     * @param weight 图的邻接矩阵
     */
    public void createGraph(MGraph graph, int verxs, char data[], int[][] weight) {
     
        int i, j;
        for(i = 0; i < verxs; i++) {
     //顶点
            graph.data[i] = data[i];
            for(j = 0; j < verxs; j++) {
     
                graph.weight[i][j] = weight[i][j];
            }
        }
    }

    //显示图的邻接矩阵
    public void showGraph(MGraph graph) {
     
        for(int[] link: graph.weight) {
     
            System.out.println(Arrays.toString(link));
        }
    }

    //编写prim算法,得到最小生成树
    /**
     *
     * @param graph 图
     * @param v 表示从图的第几个顶点开始生成'A'->0 'B'->1...
     */
    public void prim(MGraph graph, int v) {
     
        //visited[] 标记结点(顶点)是否被访问过
        int visited[] = new int[graph.verxs];
        //visited[] 默认元素的值都是0, 表示没有访问过
//		for(int i =0; i 
//			visited[i] = 0;
//		}

        //把当前这个结点标记为已访问
        visited[v] = 1;
        //h1 和 h2 记录两个顶点的下标
        int h1 = -1;
        int h2 = -1;
        int minWeight = 10000; //将 minWeight 初始成一个大数,后面在遍历过程中,会被替换
        for(int k = 1; k < graph.verxs; k++) {
     //因为有 graph.verxs顶点,普利姆算法结束后,有 graph.verxs-1边

            //这个是确定每一次生成的子图 ,和哪两个结点的距离最近
            for(int i = 0; i < graph.verxs; i++) {
     // i结点表示被访问过的结点
                for(int j = 0; j< graph.verxs;j++) {
     //j结点表示还没有访问过的结点
                    if(visited[i] == 1 && visited[j] == 0 && graph.weight[i][j] < minWeight) {
     
                        //替换minWeight(寻找已经访问过的结点和未访问过的结点间的权值最小的边)
                        minWeight = graph.weight[i][j];
                        h1 = i;
                        h2 = j;
                    }
                }
            }
            //找到一条边是最小
            System.out.println("边<" + graph.data[h1] + "," + graph.data[h2] + "> 权值:" + minWeight);
            //将当前这个结点标记为已经访问
            visited[h2] = 1;
            //minWeight 重新设置为最大值 10000
            minWeight = 10000;
        }

    }
}

class MGraph {
     
    int verxs; //表示图的节点个数
    char[] data;//存放结点数据
    int[][] weight; //存放边,就是我们的邻接矩阵

    public MGraph(int verxs) {
     
        this.verxs = verxs;
        data = new char[verxs];
        weight = new int[verxs][verxs];
    }
}

结果展示

[数据结构与算法] 盘点工作中常用的算法_第15张图片

7. 克鲁斯卡尔算法

克鲁斯卡尔(Kruskal)算法,是用来求加权连通图的最小生成树的算法
基本思想:按照权值从小到大的顺序选择n-1条边,并 保证这n-1条边不构成回路(构图关键)
做法:首先构造一个只含n个顶点的森林,然后依权值从小到大从连通网中选择边加入到森林中,并使森林中不产生回路,直至森林变成一棵树为止

应用场景-公交站问题
某城市新增7个站点(A, B, C, D, E, F, G) ,现在需要修路把7个站点连通. 各个站点的距离用边线表示(权) ,比如 A – B 距离 12公里
问:如何修路保证各个站点都能连通,并且总的修建公路总里程最短?

[数据结构与算法] 盘点工作中常用的算法_第16张图片

做法

  • 第1步:将边加入R中。
    的权值最小,因此将它加入到最小生成树结果R中。
  • 第2步:将边加入R中。
    上一步操作之后,边的权值最小,因此将它加入到最小生成树结果R中。
  • 第3步:将边加入R中。
    上一步操作之后,边的权值最小,因此将它加入到最小生成树结果R中。
  • 第4步:将边加入R中。
    上一步操作之后,边的权值最小,但会和已有的边构成回路;因此,跳过边。同理,跳过边。将边加入到最小生成树结果R中。
  • 第5步:将边加入R中。
    上一步操作之后,边的权值最小,因此将它加入到最小生成树结果R中。
  • 第6步:将边加入R中。
    上一步操作之后,边的权值最小,但会和已有的边构成回路;因此,跳过边。同理,跳过边。将边加入到最小生成树结果R中。
  • 此时,最小生成树构造完成!它包括的边依次是:

[数据结构与算法] 盘点工作中常用的算法_第17张图片
克鲁斯卡尔算法分析

根据前面介绍的克鲁斯卡尔算法的基本思想和做法,我们能够了解到,克鲁斯卡尔算法重点需要解决的以下两个问题:

  • 问题一: 对图的所有边按照权值大小进行排序。
  • 问题二: 将边添加到最小生成树中时,怎么样判断是否形成了回路。

问题一很好解决 ,采用排序算法进行排序 即可。
问题二的处理方式是:记录顶点在"最小生成树"中的终点,顶点的终点是"在最小生成树中与它连通的最大顶点"。然后每次需要将一条边添加到最小生存树时,判断该边的两个顶点的终点是否重合,重合的话则会构成回路。

代码实现

public class KruskalCase {
     

    private int edgeNum; //边的个数
    private char[] vertexs; //顶点数组
    private int[][] matrix; //邻接矩阵
    //使用 INF 表示两个顶点不能连通
    private static final int INF = Integer.MAX_VALUE;//代表int数组的最大取值:2147483647,在图中表示两个顶点距离无线大(不连通)

    public static void main(String[] args) {
     
        char[] vertexs = {
     'A', 'B', 'C', 'D', 'E', 'F', 'G'};
        //克鲁斯卡尔算法的邻接矩阵
        int matrix[][] = {
     
                /*A*//*B*//*C*//*D*//*E*//*F*//*G*/
                /*A*/ {
        0,  12, INF, INF, INF,  16,  14},
                /*B*/ {
       12,   0,  10, INF, INF,   7, INF},
                /*C*/ {
      INF,  10,   0,   3,   5,   6, INF},
                /*D*/ {
      INF, INF,   3,   0,   4, INF, INF},
                /*E*/ {
      INF, INF,   5,   4,   0,   2,   8},
                /*F*/ {
       16,   7,   6, INF,   2,   0,   9},
                /*G*/ {
       14, INF, INF, INF,   8,   9,   0}};
        //大家可以在去测试其它的邻接矩阵,结果都可以得到最小生成树.

        //创建KruskalCase 对象实例
        KruskalCase kruskalCase = new KruskalCase(vertexs, matrix);
        //输出构建的
        kruskalCase.print();
        kruskalCase.kruskal();

    }

    //构造器
    public KruskalCase(char[] vertexs, int[][] matrix) {
     
        //初始化顶点数和边的个数
        int vlen = vertexs.length;

        //初始化顶点, 复制拷贝的方式(不会影响原来属性的变更)
        this.vertexs = new char[vlen];
        for(int i = 0; i < vertexs.length; i++) {
     
            this.vertexs[i] = vertexs[i];
        }

        //初始化边, 使用的是复制拷贝的方式
        this.matrix = new int[vlen][vlen];
        for(int i = 0; i < vlen; i++) {
     
            for(int j= 0; j < vlen; j++) {
     
                this.matrix[i][j] = matrix[i][j];
            }
        }
        //统计边的条数
        for(int i =0; i < vlen; i++) {
     
            for(int j = i+1; j < vlen; j++) {
     
                if(this.matrix[i][j] != INF) {
     
                    edgeNum++;
                }
            }
        }

    }
    public void kruskal() {
     
        int index = 0; //表示最后结果数组的索引
        int[] ends = new int[edgeNum]; //用于保存"已有最小生成树" 中的每个顶点在最小生成树中的终点
        //创建结果数组, 保存最后的最小生成树
        EData[] rets = new EData[edgeNum];

        //获取图中 所有的边的集合 , 一共有12边
        EData[] edges = getEdges();
        System.out.println("图的边的集合=" + Arrays.toString(edges) + " 共"+ edges.length); //12

        //按照边的权值大小进行排序(从小到大)
        sortEdges(edges);

        //遍历edges 数组,将边添加到最小生成树中时,判断是准备加入的边否形成了回路,如果没有,就加入 rets, 否则不能加入
        for(int i=0; i < edgeNum; i++) {
     
            //获取到第i条边的第一个顶点(起点)
            int p1 = getPosition(edges[i].start); //p1=4
            //获取到第i条边的第2个顶点
            int p2 = getPosition(edges[i].end); //p2 = 5

            //获取p1这个顶点在已有最小生成树中的终点
            int m = getEnd(ends, p1); //m = 4
            //获取p2这个顶点在已有最小生成树中的终点
            int n = getEnd(ends, p2); // n = 5
            //是否构成回路
            if(m != n) {
      //没有构成回路
                ends[m] = n; // 设置m 在"已有最小生成树"中的终点  [0,0,0,0,5,0,0,0,0,0,0,0]
                rets[index++] = edges[i]; //有一条边加入到rets数组
            }
        }
        //     
        //统计并打印 "最小生成树", 输出  rets
        System.out.println("最小生成树为");
        for(int i = 0; i < index; i++) {
     
            System.out.println(rets[i]);
        }


    }

    //打印邻接矩阵
    public void print() {
     
        System.out.println("邻接矩阵为: \n");
        for(int i = 0; i < vertexs.length; i++) {
     
            for(int j=0; j < vertexs.length; j++) {
     
                System.out.printf("%12d", matrix[i][j]);
            }
            System.out.println();//换行
        }
    }

    /**
     * 功能:对边进行排序处理, 冒泡排序
     * @param edges 边的集合
     */
    private void sortEdges(EData[] edges) {
     
        for(int i = 0; i < edges.length - 1; i++) {
     
            for(int j = 0; j < edges.length - 1 - i; j++) {
     
                if(edges[j].weight > edges[j+1].weight) {
     //交换
                    EData tmp = edges[j];
                    edges[j] = edges[j+1];
                    edges[j+1] = tmp;
                }
            }
        }
    }
    /**
     *
     * @param ch 顶点的值,比如'A','B'
     * @return 返回ch顶点对应的下标,如果找不到,返回-1
     */
    private int getPosition(char ch) {
     
        for(int i = 0; i < vertexs.length; i++) {
     
            if(vertexs[i] == ch) {
     //找到
                return i;
            }
        }
        //找不到,返回-1
        return -1;
    }
    /**
     * 功能: 获取图中边,放到EData[] 数组中,后面我们需要遍历该数组
     * 是通过matrix 邻接矩阵来获取
     * EData[] 形式 [['A','B', 12], ['B','F',7], .....]
     * @return
     */
    private EData[] getEdges() {
     
        int index = 0;
        EData[] edges = new EData[edgeNum];
        for(int i = 0; i < vertexs.length; i++) {
     
            for(int j=i+1; j <vertexs.length; j++) {
     
                if(matrix[i][j] != INF) {
     
                    edges[index++] = new EData(vertexs[i], vertexs[j], matrix[i][j]);
                }
            }
        }
        return edges;
    }
    /**
     * 功能: 获取下标为i的顶点的终点(), 用于后面判断两个顶点的终点是否相同
     * @param ends : 数组就是记录了各个顶点对应的终点是哪个,ends 数组是在遍历过程中,逐步形成
     * @param i : 表示传入的顶点对应的下标
     * @return 返回的就是 下标为i的这个顶点对应的终点的下标
     */
    private int getEnd(int[] ends, int i) {
      // i = 4 [0,0,0,0,5,0,0,0,0,0,0,0]
        while(ends[i] != 0) {
     
            i = ends[i];
        }
        return i;
    }

}

//创建一个类EData ,它的对象实例就表示一条边
class EData {
     
    char start; //边的一个点
    char end; //边的另外一个点
    int weight; //边的权值
    //构造器
    public EData(char start, char end, int weight) {
     
        this.start = start;
        this.end = end;
        this.weight = weight;
    }
    //重写toString, 便于输出边信息
    @Override
    public String toString() {
     
        return "EData [<" + start + ", " + end + ">= " + weight + "]";
    }


}


结果展示
[数据结构与算法] 盘点工作中常用的算法_第18张图片

8. 迪杰斯特拉算法

迪杰斯特拉(Dijkstra)算法是典型最短路径算法,用于计算一个结点到其他结点的最短路径。 它的主要特点是以起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止

迪杰斯特拉(Dijkstra)算法过程
设置出发顶点为v,顶点集合V{v1,v2,vi…},v到V中各顶点的距离构成距离集合Dis,Dis{d1,d2,di…},Dis集合记录着v到图中各顶点的距离(到自身可以看作0,v到vi距离对应为di)

  • 从Dis中选择值最小的di并移出Dis集合,同时移出V集合中对应的顶点vi,此时的v到vi即为最短路径
  • 更新Dis集合,更新规则为:比较v到V集合中顶点的距离值,与v通过vi到V集合中顶点的距离值,保留值较小的一个(同时也应该更新顶点的前驱节点为vi,表明是通过vi到达的)
  • 重复执行两步骤,直到最短路径顶点为目标顶点即可结束

迪杰斯特拉(Dijkstra)算法最佳应用-最短路径

战争时期,胜利乡有7个村庄(A, B, C, D, E, F, G) ,现在有六个邮差,从G点出发,需要分别把邮件分别送到 A, B, C , D, E, F 六个村庄. 各个村庄的距离用边线表示(权) ,比如 A – B 距离 5公里. 问:
(1)如何计算出G村庄到 其它各个村庄的最短距离?
(2)如果从其它点出发到各个点的最短距离又是多少?

[数据结构与算法] 盘点工作中常用的算法_第19张图片

思路图

[数据结构与算法] 盘点工作中常用的算法_第20张图片
代码实现

public class DijkstraAlgorithm {
     
    public static void main(String[] args) {
     
        //字符数组用来存放每个顶点
        char[] vertex = {
      'A', 'B', 'C', 'D', 'E', 'F', 'G' };
        //每个顶点间邻接矩阵
        int[][] matrix = new int[vertex.length][vertex.length];
        final int N = 65535;// 表示不可以连接(取int的最大值)
        matrix[0]=new int[]{
     N,5,7,N,N,N,2};
        matrix[1]=new int[]{
     5,N,N,9,N,N,3};
        matrix[2]=new int[]{
     7,N,N,N,8,N,N};
        matrix[3]=new int[]{
     N,9,N,N,N,4,N};
        matrix[4]=new int[]{
     N,N,8,N,N,5,4};
        matrix[5]=new int[]{
     N,N,N,4,5,N,6};
        matrix[6]=new int[]{
     2,3,N,N,4,6,N};
        //创建 Graph对象
        Graph graph = new Graph(vertex, matrix);
        //测试, 看看图的邻接矩阵是否ok
        graph.showGraph();
        //测试迪杰斯特拉算法
        graph.dsj(2);//C
        graph.showDijkstra();


    }

}

class Graph {
     
    private char[] vertex; // 顶点数组
    private int[][] matrix; // 邻接矩阵
    private VisitedVertex vv; //已经访问的顶点的集合

    // 构造器
    public Graph(char[] vertex, int[][] matrix) {
     
        this.vertex = vertex;
        this.matrix = matrix;
    }

    //显示结果
    public void showDijkstra() {
     
        vv.show();
    }

    // 显示图
    public void showGraph() {
     
        for (int[] link : matrix) {
     
            System.out.println(Arrays.toString(link));
        }
    }

    //迪杰斯特拉算法实现
    /**
     *
     * @param index 表示出发顶点对应的下标
     */
    public void dsj(int index) {
     
        vv = new VisitedVertex(vertex.length, index);
        update(index);//更新index顶点到周围顶点的距离和前驱顶点
        for(int j = 1; j <vertex.length; j++) {
     
            index = vv.updateArr();// 选择并返回新的访问顶点
            update(index); // 更新index顶点到周围顶点的距离和前驱顶点
        }
    }



    //更新index下标顶点到周围顶点的距离和周围顶点的前驱顶点,
    private void update(int index) {
     
        int len = 0;
        //根据遍历我们的邻接矩阵的  matrix[index]行
        for(int j = 0; j < matrix[index].length; j++) {
     
            // len 含义是 : 出发顶点到index顶点的距离 + 从index顶点到j顶点的距离的和
            len = vv.getDis(index) + matrix[index][j];
            // 如果j顶点没有被访问过,并且 len 小于出发顶点到j顶点的距离,就需要更新
            if(!vv.in(j) && len < vv.getDis(j)) {
     
                vv.updatePre(j, index); //更新j顶点的前驱为index顶点
                vv.updateDis(j, len); //更新出发顶点到j顶点的距离
            }
        }
    }
}

// 已访问顶点集合
class VisitedVertex {
     
    // 记录各个顶点是否访问过 1表示访问过,0未访问,会动态更新
    public int[] already_arr;
    // 每个下标对应的值为前一个顶点下标, 会动态更新
    public int[] pre_visited;
    // 记录出发顶点到其他所有顶点的距离,比如G为出发顶点,就会记录G到其它顶点的距离,会动态更新,求的最短距离就会存放到dis
    public int[] dis;

    //构造器
    /**
     *
     * @param length :表示顶点的个数
     * @param index: 出发顶点对应的下标, 比如G顶点,下标就是6
     */
    public VisitedVertex(int length, int index) {
     
        this.already_arr = new int[length];
        this.pre_visited = new int[length];
        this.dis = new int[length];
        //初始化 dis数组
        Arrays.fill(dis, 65535);
        this.already_arr[index] = 1; //设置出发顶点被访问过
        this.dis[index] = 0;//设置出发顶点的访问距离为0

    }
    /**
     * 功能: 判断index顶点是否被访问过
     * @param index
     * @return 如果访问过,就返回true, 否则访问false
     */
    public boolean in(int index) {
     
        return already_arr[index] == 1;
    }

    /**
     * 功能: 更新出发顶点到index顶点的距离
     * @param index
     * @param len
     */
    public void updateDis(int index, int len) {
     
        dis[index] = len;
    }
    /**
     * 功能: 更新pre这个顶点的前驱顶点为index顶点
     * @param pre
     * @param index
     */
    public void updatePre(int pre, int index) {
     
        pre_visited[pre] = index;
    }
    /**
     * 功能:返回出发顶点到index顶点的距离
     * @param index
     */
    public int getDis(int index) {
     
        return dis[index];
    }


    /**
     * 继续选择并返回新的访问顶点, 比如这里的G 完后,就是 A点作为新的访问顶点(注意不是出发顶点)
     * @return
     */
    public int updateArr() {
     
        int min = 65535, index = 0;
        for(int i = 0; i < already_arr.length; i++) {
     
            if(already_arr[i] == 0 && dis[i] < min ) {
     
                min = dis[i];
                index = i;
            }
        }
        //更新 index 顶点被访问过
        already_arr[index] = 1;
        return index;
    }

    //显示最后的结果
    //即将三个数组的情况输出
    public void show() {
     

        System.out.println("==========================");
        //输出already_arr
        for(int i : already_arr) {
     
            System.out.print(i + " ");
        }
        System.out.println();
        //输出pre_visited
        for(int i : pre_visited) {
     
            System.out.print(i + " ");
        }
        System.out.println();
        //输出dis
        for(int i : dis) {
     
            System.out.print(i + " ");
        }
        System.out.println();
        //为了好看最后的最短距离,我们处理
        char[] vertex = {
      'A', 'B', 'C', 'D', 'E', 'F', 'G' };
        int count = 0;
        for (int i : dis) {
     
            if (i != 65535) {
     
                System.out.print(vertex[count] + "("+i+") ");
            } else {
     
                System.out.println("N ");
            }
            count++;
        }
        System.out.println();

    }

}

结果展示
[数据结构与算法] 盘点工作中常用的算法_第21张图片

9. 弗洛伊德算法

弗洛伊德(Floyd)算法介绍

和Dijkstra算法一样,弗洛伊德(Floyd)算法也是一种用于寻找给定的加权图中顶点间最短路径的算法。该算法名称以创始人之一、1978年图灵奖获得者、斯坦福大学计算机科学系教授罗伯特·弗洛伊德命名

  • 弗洛伊德算法(Floyd)计算图中各个顶点之间的最短路径
  • 迪杰斯特拉算法用于计算图中某一个顶点到其他顶点的最短路径。
  • 弗洛伊德算法 VS 迪杰斯特拉算法: 迪杰斯特拉算法通过选定的被访问顶点作为出发点, 求该顶点到其他顶点的最短路径 弗洛伊德算法中每一个顶点都是出发点和访问点,求出从每一个顶点到其他顶点的最短路径。

弗洛伊德(Floyd)算法最佳应用-最短路径

胜利乡有7个村庄(A, B, C, D, E, F, G). 各个村庄的距离用边线表示(权) ,比如 A – B 距离 5公里
问:如何计算出各村庄到 其它各村庄的最短距离?

[数据结构与算法] 盘点工作中常用的算法_第22张图片

弗洛伊德(Floyd)算法分析

设置顶点vi到顶点vk的最短路径已知为Lik,顶点vk到vj的最短路径已知为Lkj,顶点vi到vj的路径为Lij,则vi到vj的最短路径为:min((Lik+Lkj),Lij),vk的取值为图中所有顶点,则可获得vi到vj的最短路径
至于vi到vk的最短路径Lik或者vk到vj的最短路径Lkj,是以同样的方式获得

图解分析

  • 首先需要将各顶点之间的距离转换成邻接矩阵
    [数据结构与算法] 盘点工作中常用的算法_第23张图片

  • 其次需要初始顶点前驱的关系

[数据结构与算法] 盘点工作中常用的算法_第24张图片

  • 第一轮循环中,以A(下标为:0)作为中间顶点(把A作为顶点的情况都进行遍历, 就会得到更新后的距离表和前驱关系),距离表和前驱关系更新为:

[数据结构与算法] 盘点工作中常用的算法_第25张图片

分析如下:

  1. 以A顶点作为中间顶点是,C–>A->G的距离由N->9,同理G到A;C->A->B的距离由N->12,同理B到C
    但是需要注意的是G->A->B的距离7大于G-B的距离3,因此不会修改距离
  2. 更换中间顶点,循环执行操作,直到所有顶点都作为中间顶点更新后,计算结束

代码实现

public class FloydAlgorthm {
     
    public static void main(String[] args) {
     
        // 测试看看图是否创建成功
        char[] vertex = {
      'A', 'B', 'C', 'D', 'E', 'F', 'G' };
        //创建邻接矩阵
        int[][] matrix = new int[vertex.length][vertex.length];
        final int N = 65535;
        matrix[0] = new int[] {
      0, 5, 7, N, N, N, 2 };
        matrix[1] = new int[] {
      5, 0, N, 9, N, N, 3 };
        matrix[2] = new int[] {
      7, N, 0, N, 8, N, N };
        matrix[3] = new int[] {
      N, 9, N, 0, N, 4, N };
        matrix[4] = new int[] {
      N, N, 8, N, 0, 5, 4 };
        matrix[5] = new int[] {
      N, N, N, 4, 5, 0, 6 };
        matrix[6] = new int[] {
      2, 3, N, N, 4, 6, 0 };

        //创建 Graph 对象
        Graph graph = new Graph(vertex.length, matrix, vertex);
        //调用弗洛伊德算法
        graph.floyd();
        graph.show();
    }

}

// 创建图
class Graph {
     
    private char[] vertex; // 存放顶点的数组
    private int[][] dis; // 保存从各个顶点出发到其它顶点的距离,最后的结果,也是保留在该数组
    private int[][] pre;// 保存到达目标顶点的前驱顶点

    // 构造器
    /**
     *
     * @param length 大小
     * @param matrix 邻接矩阵
     * @param vertex 顶点数组
     */
    public Graph(int length, int[][] matrix, char[] vertex) {
     
        this.vertex = vertex;
        this.dis = matrix;
        this.pre = new int[length][length];
        // 对pre数组初始化, 注意存放的是前驱顶点的下标
        for (int i = 0; i < length; i++) {
     
            Arrays.fill(pre[i], i);
        }
    }

    // 显示pre数组和dis数组
    public void show() {
     

        //为了显示便于阅读,我们优化一下输出
        char[] vertex = {
      'A', 'B', 'C', 'D', 'E', 'F', 'G' };
        for (int k = 0; k < dis.length; k++) {
     
            // 先将pre数组输出的一行
            for (int i = 0; i < dis.length; i++) {
     
                System.out.print(vertex[pre[k][i]] + " ");
            }
            System.out.println();
            // 输出dis数组的一行数据
            for (int i = 0; i < dis.length; i++) {
     
                System.out.print("("+vertex[k]+"到"+vertex[i]+"的最短路径是" + dis[k][i] + ") ");
            }
            System.out.println();
            System.out.println();

        }

    }

    //弗洛伊德算法, 比较容易理解,而且容易实现
    public void floyd() {
     
        int len = 0; //变量保存距离
        //对中间顶点遍历, k 就是中间顶点的下标 [A, B, C, D, E, F, G]
        for(int k = 0; k < dis.length; k++) {
      //
            //从i顶点开始出发 [A, B, C, D, E, F, G]
            for(int i = 0; i < dis.length; i++) {
     
                //到达j顶点 // [A, B, C, D, E, F, G]
                for(int j = 0; j < dis.length; j++) {
     
                    len = dis[i][k] + dis[k][j];// => 求出从i 顶点出发,经过 k中间顶点,到达 j 顶点距离
                    if(len < dis[i][j]) {
     //如果len小于 dis[i][j]
                        dis[i][j] = len;//更新距离
                        pre[i][j] = pre[k][j];//更新前驱顶点
                    }
                }
            }
        }
    }
}

结果展示
[数据结构与算法] 盘点工作中常用的算法_第26张图片

10. 马踏棋盘/骑士周游问题

马踏棋盘算法也被称为骑士周游问题
将马随机放在国际象棋的8×8棋盘Board[0~7][0~7]的某个方格中,马按走棋规则(马走日字)进行移动。要求每个方格只进入一次,走遍棋盘上全部64个方格
游戏试玩

马踏棋盘问题分析

  • 马踏棋盘问题(骑士周游问题)实际上是图的深度优先搜索(DFS)的应用。
  • 如果使用回溯(就是深度优先搜索)来解决,假如马儿踏了53个点,如图:走到了第53个,坐标(1,0),发现已经走到尽头,没办法,那就只能回退了,查看其他的路径,就在棋盘上不停的回溯…… ,思路分析+代码实现
  • 分析第一种方式的问题,并使用贪心算法(greedyalgorithm)进行优化。解决马踏棋盘问题.
  • 使用前面的游戏来验证算法是否正确。

代码实现

public class HorseChessboard {
     
    private static int X; // 棋盘的列数
    private static int Y; // 棋盘的行数
    //创建一个数组,标记棋盘的各个位置是否被访问过
    private static boolean visited[];
    //使用一个属性,标记是否棋盘的所有位置都被访问
    private static boolean finished; // 如果为true,表示成功

    public static void main(String[] args) {
     
        System.out.println("骑士周游算法,开始运行~~");

        /**
         * 测试骑士周游算法是否正确
         * 在使用时,需要输入棋盘尺寸以及马的初始位置
         */
        X = 6;
        Y = 6;
        int row = 1; //马儿初始位置的行,从1开始编号
        int column = 2 ; //马儿初始位置的列,从1开始编号
        //创建棋盘
        int[][] chessboard = new int[X][Y];
        visited = new boolean[X * Y];//初始值都是false
        //测试一下耗时
        long start = System.currentTimeMillis();
        traversalChessboard(chessboard, row - 1, column - 1, 1);
        long end = System.currentTimeMillis();
        System.out.println("共耗时: " + (end - start) + " 毫秒");

        //输出棋盘的最后情况
        for(int[] rows : chessboard) {
     
            for(int step: rows) {
     
                System.out.print(step-1 + "\t");//因为第一步是游戏指定的,不需要我们移动
            }
            System.out.println();
        }
    }

    /**
     * 完成骑士周游问题的算法
     * @param chessboard 棋盘
     * @param row 马儿当前的位置的行 从0开始
     * @param column 马儿当前的位置的列  从0开始
     * @param step 是第几步 ,初始位置就是第1步
     */
    public static void traversalChessboard(int[][] chessboard, int row, int column, int step) {
     
        chessboard[row][column] = step;
        //row = 4 X = 8 column = 4 = 4 * 8 + 4 = 36
        visited[row * X + column] = true; //标记该位置已经访问
        //获取当前位置可以走的下一个位置的集合
        ArrayList<Point> ps = next(new Point(column, row));
        //对ps进行排序,排序的规则就是对ps的所有的Point对象的下一步的位置的数目,进行非递减排序
        sort(ps);
        //遍历 ps
        while(!ps.isEmpty()) {
     
            Point p = ps.remove(0);//取出下一个可以走的位置
            //判断该点是否已经访问过
            if(!visited[p.y * X + p.x]) {
     //说明还没有访问过
                traversalChessboard(chessboard, p.y, p.x, step + 1);
            }
        }
        //判断马儿是否完成了任务,使用   step 和应该走的步数比较 ,
        //如果没有达到数量,则表示没有完成任务,将整个棋盘置0
        //说明: step < X * Y  成立的情况有两种
        //1. 棋盘到目前位置,仍然没有走完
        //2. 棋盘处于一个回溯过程
        if(step < X * Y && !finished ) {
     
            chessboard[row][column] = 0;
            visited[row * X + column] = false;
        } else {
     
            finished = true;
        }

    }

    /**
     * 功能: 根据当前位置(Point对象),计算马儿还能走哪些位置(Point),并放入到一个集合中(ArrayList), 最多有8个位置
     * @param curPoint
     * @return
     */
    public static ArrayList<Point> next(Point curPoint) {
     
        //创建一个ArrayList
        ArrayList<Point> ps = new ArrayList<Point>();
        //创建一个Point
        Point p1 = new Point();
        //表示马儿可以走5这个位置
        if((p1.x = curPoint.x - 2) >= 0 && (p1.y = curPoint.y -1) >= 0) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走6这个位置
        if((p1.x = curPoint.x - 1) >=0 && (p1.y=curPoint.y-2)>=0) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走7这个位置
        if ((p1.x = curPoint.x + 1) < X && (p1.y = curPoint.y - 2) >= 0) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走0这个位置
        if ((p1.x = curPoint.x + 2) < X && (p1.y = curPoint.y - 1) >= 0) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走1这个位置
        if ((p1.x = curPoint.x + 2) < X && (p1.y = curPoint.y + 1) < Y) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走2这个位置
        if ((p1.x = curPoint.x + 1) < X && (p1.y = curPoint.y + 2) < Y) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走3这个位置
        if ((p1.x = curPoint.x - 1) >= 0 && (p1.y = curPoint.y + 2) < Y) {
     
            ps.add(new Point(p1));
        }
        //判断马儿可以走4这个位置
        if ((p1.x = curPoint.x - 2) >= 0 && (p1.y = curPoint.y + 1) < Y) {
     
            ps.add(new Point(p1));
        }
        return ps;
    }

    //根据当前这个一步的所有的下一步的选择位置,进行非递减排序, 减少回溯的次数
    public static void sort(ArrayList<Point> ps) {
     
        ps.sort(new Comparator<Point>() {
     

            @Override
            public int compare(Point o1, Point o2) {
     
                // TODO Auto-generated method stub
                //获取到o1的下一步的所有位置个数
                int count1 = next(o1).size();
                //获取到o2的下一步的所有位置个数
                int count2 = next(o2).size();
                if(count1 < count2) {
     
                    return -1;
                } else if (count1 == count2) {
     
                    return 0;
                } else {
     
                    return 1;
                }
            }

        });
    }
}


结果展示
注意: 二维数组中的数代表马儿移动的顺序!!!
[数据结构与算法] 盘点工作中常用的算法_第27张图片
游戏内的实践
注意: * 代表马的初始位置
[数据结构与算法] 盘点工作中常用的算法_第28张图片
成功通过~~~winner!!!
[数据结构与算法] 盘点工作中常用的算法_第29张图片


写在最后

在将马踏棋盘游戏通关后, 历时一个多月的数据结构与算法终于看完. 注意是看完而不是学习完.
因为数据结构学习作为程序员的基本素养的培养是长期的,他或许不能显著的提高我们的工作能力,
但却能够改变我们的思维方式, 给我们一个新的看世界的角度.
这些算法产生的原因都来源于生活, 它的实现又高于生活.
羡慕能够设计这些算法的大佬能够以自己的名字命名,能让自己在这个行业永垂青史! 或许这是许多程序员的终极目标吧!
不管我们掌握了多少, 既然选择了这一行业,就应该发扬卖油翁(熟能生巧)的精神和老黄牛(勤勤恳恳)的精神
不断学习, 取努力奔向成功吧! 或许, 将来在这个行业也会出现以你的名字命名的技术or算法呢? 而这谁又能说不是呢…

你可能感兴趣的:(邂逅数据结构与算法,算法)