最小生成树——prim算法
最小生成树(Minimum Spanning Tree,MST)是在一个给定的无向图G(V,E)中求一棵树T，使得这棵树拥有图G中的所有顶点，且所有边都是来自图G中的边，并且满足整棵树的边权之和最小。下图给出了一个图G及其最小生成树T，其中较粗的线即为最小生成树的边。可以看到，边AB、BC、BD包含了图G的所有顶点，且由它们生成的树的边权之和为6，是所有生成树中权值最小的。
最小生成树有3个性质需要掌握：
①最小生成树是树，因此其边数等于顶点数减1，且树内一定不会有环。
②对给定的图G(V,E)，其最小生成树可以不唯一，但其边权之和一定是唯一的。
③由于最小生成树是在无向图上生成的，因此其根结点可以是这棵树上的任意一个结点。于是,，如果题目中涉及最小生成树本身的输出，为了让最小生成树唯一，一般都会直接给出根结点，读者只需以给出的结点作为根结点来求解最小生成树即可。
求解最小生成树一般有两种算法，即prim算法与kruskal算法。这两个算法都是采用了贪心法的思想，只是贪心的策略不太一样。
prim算法（读者可以将其读作“普里姆算法”）用来解决最小生成树问题，其基本思想是对图G(V,E)设置集合S，存放已被访问的顶点，然后每次从集合V-S中选择与集合S的最短距离最小的一个顶点（记为u），访问并加入集合S。之后，令顶点u为中介点，优化所有从u能到达的顶点v与集合S之间的最短距离。这样的操作执行n次（n为顶点个数），直到集合S已包含所有顶点。可以发现，prim算法的思想与最短路径中Dijkstra算法的思想几乎完全相同，只是在涉及最短距离时使用了集合S代替 Dijkstra算法中的起点s。
①将地图上的所有边都抹去，只有当访问一个顶点后オ把这个顶点顶点连接的边显现（这点和Dijkstra算法中相同）。
②将已访问的顶点置于ー个巨型防护罩中。可以沿着这个防护罩连接的边去访问未到达的顶点
③在地图中的顶点V(0≤i≤5)上记录顶点V与巨型防护罩之间的最短距离（即V与每个访问的顶点之间距离的最小值）。由于在①把所有边都抹去了，因此在初始状态下只在顶点V0上标记0，而其他顶点都标记无穷大（记为INF）。为了方便叙述，在下文中某几处出现的最短距离都是指从顶点V与当前巨型防护罩之间的最短距离。
下面是行动策略：
①由于要访问六个顶点，因此将②③步骤执行六次，每次访问一个顶点（如果是n个顶点，那么就执行n次）。
②每次都从还未访问的顶点中选择与当前巨型防护罩最近的顶点（记为Vk(0≤k≤5)），使用“爆裂模式”的能力恢复这条最近的边（并成为最小生成树中的一条边），前往访问。
③访问顶点Vk后，将Vk加入巨型防护罩中，开放地图上Vk连接的所有边，并査看以Vk作为巨型防护罩连接外界的接口的情况下，能否利用Vk刚开放的边使某些还未访问的顶点与巨型防护罩的最短距离变小。如果能，则将那个最短距离覆盖到地图对应的顶点上。
另外，为了得到最小生成树的边权之和，需要在访问顶点之前设置一个初值为0的变量sum，并在攻打过程中将加入最小生成树中的边的边权累加起来。
prim算法解决的是最小生成树问题，即在一个给定的无向图G(V,E)中求一棵生成树T，使得这棵树拥有图G中的所有顶点，且所有边都是来自图G中的边，并且满足整棵树的边权之和最小。prim算法的基本思想是对图G(V,E)设置集合S(即巨型防护罩)来存放已被访问的顶点，然后执行n次下面的两个步骤(n为顶点个数)。
①每次从集合V-S(即未访问的顶点)中选择与集合S(巨型防护罩)最近的一个顶点(记为u)，访问u并将其加入集合S(加入巨型防护罩)，同时把这条离集合S最近的边加入最小生成树中。
②令顶点u作为集合S与集合V-S连接的接口（即把当前访问的顶点作为巨型防护罩与外界的接口），优化从u能到达的未访问顶点v与集合S(巨型防护罩)的最短距离。
prim算法的具体实现：
prim算法需要实现两个关键的概念，即集合S的实现、顶点V(0≤i≤n-1)与集合S(巨型防护罩)的最短距离。
①集合S的实现方法和Dijkstra中相同，即使用一个bool型数组vis[]表示顶点是否已被访问。其中vis[i]=true表示顶点V[i]已被访问，vis[i]= false则表示顶点V未被访问。
②不妨令int型数组d[]来存放顶点Vi(0≤i≤n-1)与集合S（巨型防护罩）的最短距离。初始时除了起点s的d[s]赋为0，其余顶点都赋为一个很大的数来表示INF，即不可达。
可以发现，prim算法与Dijkstra算法使用的思想几乎完全相同，只有在数组的含义上有所区别。其中，Dijkstra算法的数组d[]含义为起点s到达顶点伍的最短距离，而prim算法的数组d[]含义为顶点Vi与集合S的最短距离，两者的区别仅在于最短距离是顶点i针对“起点s”还是“集合S”。另外，对最小生成树问题而言，如果仅是求最小边权之和，那么在prim算法中就可以随意指定一个顶点为初始点，例如在下面的代码中将默认使用0号顶点为初始点。
根据上面的描述，可以得到下面的伪代码（注意与prim算法基本思想进行联系）：
//G为图， 一般设置为 全局变量；数组d为顶点与集合S的最短距离
Prim(G,d[]){
初始化;
for(循环n次){
u = 使d[u]最小的还未被访问的顶点的标号;
记u已被访问;
for(从u出发能到达的所有顶点v){
if(v未被访问&&以u为中介点使得v与集合S的最短距离d[v]更优]){
将G[u][v]赋值给v与集合S的最短距离d[v];
}
}
}
}和Dijkstra算法的伪代码进行比较后发现，Dijkstra算法和prim算法只有优化d[v]的部分不同，而其他语句都是相同的。这再次说明：Dijkstra算法和prim算法实际上是相同的思路，只不过是数组的含义不同罢了。在了解了上面这点之后，读者可以参照 Dijkstra算法的写法很容易地写出prim算法的代码，而在此之前，需要先定义MAXV为最大顶点数、INF为一个很大的数字：
const int MAXV = 100; //MAXV为最大顶点数
const int INF = 1000000000; //INF是一个很大的数
下面给出分别使用邻接矩阵和邻接表的prim算法代码。
（1）邻接矩阵版。
int n,G[MAXV][MAXV]; //n为顶点数，MAXV为最大顶点数
int d[maxv]; //顶点与几个S的最短距离
bool vis[MAXV] = {false}; //标记数组，vis[i]==true表示已访问。初始值均为false
int prim(){ //默认0号为初始点，函数返回最小生成树的边权之和
fill(d,d+MAXV,INF); //fill函数将整个d数组赋值为INF(慎用memset)
d[0] = 0; //只有0号顶点到集合S的距离为0,其余全为INF
int ans = 0; //存放最小生成树的边权之和
for(int i=0;i（2）邻接表版。
vector Adj[MAXV]; //图 G，Adj[u]存放从顶点u出发可以到达的所有顶点
int n; // n为顶点数，图G使用邻接表实现，MAXV为最大顶点数
int d[maxv]; //顶点与集合S的最短距离
bool vis[MAXV] = {false}; //标记数组，vis[i]==true表示已访问。初始值均为false
int prim(){ //s为起点
fill(d,d+MAXV,INF); //fill函数将整个d数组赋值为INF(慎用memset)
d[0] = 0; //只有0号顶点到集合S的距离为0,其余全为INF for(int i=0;i 和Dijkstra算法一样，使用这种写法的复杂度是O(V^2)，其中邻接表实现的prim算法可以通过堆优化使时间复杂度降为 O(VlogV+E)。另外，O(V^2)的复杂度也说明，尽量在图的顶点数目较少而边数较多的情况下（即稠密图上）使用prim算法。
下面是本节讲解的图例题代码：
#include
#include
using namespace std;
const int MAXV = 1000; //最大顶点数
const int INF = 1000000000; //设INF为一个很大的数
int n,m,s,G[MAXV][MAXV]; //n为顶点数，m为边数，s为起点
int d[MAXV]; //顶点与集合S的最短距离
bool vis[MAXV] = {false}; //标记数组，vis[i]==true表示已访问。初始值均为false
int prim(){ //s为起点
fill(d,d+MAXV,INF); //fill函数将整个d数组赋值为INF(慎用memset)
d[0] = 0; //只有0号顶点到集合S的距离为0，其余全为INF
int ans = 0; //存放最小生成树的边权之和
for(int i=0;iv的边权
G[u][v] = G[v][u] = w; //无向图
}
int ans = prim(); // prim算法入口
printf("%d\n",ans);
return 0;
} 输入数据：
6 10
0 1 4
0 4 1
0 5 2
1 2 6
1 5 3
2 3 6
2 5 5
3 4 4
3 5 5
4 5 3输出结果：
