数据结构-图(Graph)案例代码Java/Python均有实现

数据结构-图(Graph)

图(Graph)也是一种数据结构,在计算机科学中除了线性表和树结构,还有一种图结构!这种结构节点可以具有零个或多个相邻的元素,非常适合表示多对多的关系!

1、为什么要有图?

我们已经学过了线性表和树结构,它们都有各自的应用场景。

然而线性表局限于一个直接前驱和一个直接后继的关系,也就是说集合中必存在唯一的一个"第一个元素",必存在唯一的一个"最后元素",除了最后一个元素之外,均有唯一的后继。除了第一个元素之外,均有唯一的前驱。
在这里插入图片描述
而树(Tree)的局限就是只能有一个直接的前驱(父节点),因此我们想要在计算机中表示多对多的关系时,就不得不使用图(Graph)这种数据结构来表示!

2、图的基本介绍

2.1、图的概述

图(Graph)是一种非线性的数据结构,是一些"顶点"的集合,这些顶点通过一系列"边"结对连接。其中节点可以具有零个或多个相邻的元素。两个节点之间的连接称为。节点也可以称为顶点。如图
数据结构-图(Graph)案例代码Java/Python均有实现_第1张图片
所有的顶点构成一个顶点集合,所有的边构成边集合,一个完整的图结构就是由顶点集合边集合组成。另外图结构在交通运输网、地铁网络、社交网络等都可以抽象成图结构,从而进行存储与计算!

2.2、图的常用名词解释

1、顶点(Vertex):顶点也称节点!顶点可以存储图结构的数据元素

2、边(Edge):连接顶点的线,也可保存权值!例如某两点之间的距离

3、路径:比如3->4的路径有①3->1->43->2->1->4
数据结构-图(Graph)案例代码Java/Python均有实现_第2张图片
4、无向图(Undirected Graph):顶点之间的连接没有方向(如上图),比如1-2,既可以1->2也可以2->1

5、有向图(Directed Graph):顶点之间的连接或边具有方向性!描述两个顶的顺序就有要求,比如2-1,只能是2->1不能是1->2,如下图所示
数据结构-图(Graph)案例代码Java/Python均有实现_第3张图片
6、带权图:边带有权值的图,如下图
数据结构-图(Graph)案例代码Java/Python均有实现_第4张图片

2.3、图的表示方式

图在计算机中表示方式有两种:

  1. 二维数组表示(邻接矩阵)
  2. 链表表示(邻接表)

1、邻接矩阵

邻接矩阵是表示图形中顶点之间相邻关系的矩阵,对于n个顶点的图而言,矩阵是通过row和col来表示1…n。
数据结构-图(Graph)案例代码Java/Python均有实现_第5张图片
例如上图row={0, 1, 2, 3, 4, 5}col={0, 1, 2, 3, 4, 5}。row和col共同组成一个二维数组!arry[row][col] = 0表示没有直连关系,arry[row][col] = 1表示有直连关系,例如array[0][1] = 1就表示0和1顶点是相连的。而如果值等于0说明不相连(不互通)。

2、邻接表

1、邻接矩阵(二维数组)需要为每个顶点都分配 n 个边的空间,其实有很多边都是不存在,会造成空间的一定损失
2、邻接表的实现只关心存在的边,不关心不存在的边。因此没有空间浪费,邻接表由数组+链表组成
3、举例说明
数据结构-图(Graph)案例代码Java/Python均有实现_第6张图片

2.4、图的创建入门代码

前面已经介绍了图结构的基本概念与表示方式,现在我们来快速使用代码创建一个图结构,体验图结构的表示方式。
数据结构-图(Graph)案例代码Java/Python均有实现_第7张图片数据结构-图(Graph)案例代码Java/Python均有实现_第8张图片
要求代码实现(上图)图结构。备注:通过二维数组表示时规定 1 有直连关系,0 没有直连关系。

思路分析:

  1. 顶点元素通过一个集合存储
  2. 矩阵通过二维数组表示

Java代码实现:

package com.laizhenghua.graph;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

/**
 * @description: 图结构的创建
 * @date: 2021/11/20 13:34
 */
public class Graph {
    private List<String> vertexList; // 存储顶点
    private int[][] edges; // 存储邻接矩阵
    private int numberOfEdges; // 边的个数
    private boolean[] isVisited; // 记录某个顶点是否被访问过(后面遍历需要用到)

    // 构造器
    public Graph(int n) {
        this.vertexList = new ArrayList<>(n);
        this.edges = new int[n][n];
        this.numberOfEdges = 0;
        this.isVisited = new boolean[n];
    }
    // 插入节点
    public void insertVertex(String vertex) {
        this.vertexList.add(vertex);
    }

    /**
     * 添加边
     * @param v1 横向坐标(row的下标)
     * @param v2 纵向坐标(col的下标)
     * @param weight 权值
     */
    public void insertEdge(int v1, int v2, int weight) {
        this.edges[v1][v2] = weight;
        this.edges[v2][v1] = weight;
        this.numberOfEdges++;
    }
    // 获取顶点个数
    public int getNumberOfVertex() {
        return this.vertexList.size();
    }
    // 获取边的个数
    public int getNumberOfEdges() {
        return this.numberOfEdges;
    }
    // 通过索引从集合里面获取顶点
    public String getVertex(int index) {
        return this.vertexList.get(index);
    }
    // 获取v1和v2的权值
    public int getWeight(int v1, int v2) {
        return this.edges[v1][v2];
    }
    // 显示图对应的矩阵
    public void showGraph() {
        for (int[] array : this.edges) {
            System.out.println(Arrays.toString(array));
        }
    }
}

main方法中测试

/**
 * @description:
 * @date: 2021/11/20 13:33
 */
public class GraphTest {
    public static void main(String[] args) {
        int n = 5; // 顶点个数
        String[] vertexArray = new String[]{"A", "B", "C", "D", "E"};
        // 创建图对象
        Graph graph = new Graph(n);
        // 循环添加顶点
        for (String vertex : vertexArray) {
            graph.insertVertex(vertex);
        }
        // 添加边。A-B A-C B-C B-D B-E
        graph.insertEdge(0, 1, 1); // A-B
        graph.insertEdge(0, 2, 1);
        graph.insertEdge(1, 2, 1);
        graph.insertEdge(1, 3, 1);
        graph.insertEdge(1, 4, 1);
        // 输出矩阵
        graph.showGraph();
    }
}

输出矩阵如下:
数据结构-图(Graph)案例代码Java/Python均有实现_第9张图片
Python代码实现:

# !usr/bin/env python
# -*- coding:utf-8 -*-
# __author__ = "laizhenghua"

import numpy as np

class Graph:
    def __init__(self, n):
        self.vertex_list = []
        self.edges = np.zeros((n, n), dtype=int)  # 5 * 5 的矩阵
        self.number_of_edges = 0
        self.is_visited = []  # 存放布尔值记录某个顶点是否被访问过(后面遍历需要用到)

    # 添加顶点
    def inset_vertex(self, vertex):
        self.vertex_list.append(vertex)
        
    # 添加边
    def insert_edge(self, v1, v2, weight):
        self.edges[v1][v2] = weight
        self.edges[v2][v1] = weight
        self.number_of_edges += 1
        
    # 获取顶点个数
    def get_number_of_vertex(self):
        return len(self.vertex_list)
        
    # 获取边个数
    def get_number_of_edges(self):
        return self.number_of_edges
        
    # 通过索引获取列表里面的顶点
    def get_vertex_by_index(self, index):
        return self.vertex_list[index]
        
    # 获取v1和v2对应的权值
    def get_weight(self, v1, v2):
        return self.edges[v1][v2]
        
    # 显示图对应的矩阵
    def show_graph(self):
        for i in range(len(self.edges)):
            for j in range(len(self.edges[i])):
                print(self.edges[i][j], end=" ")
            print()

if __name__ == "__main__":
    n = 5  # 顶点个数
    graph = Graph(n)  # 创建图对象
    vertex_list = ["A", "B", "C", "D", "E"]

    # 循环添加顶点
    for vertex in vertex_list:
        graph.inset_vertex(vertex)
    # 添加边
    graph.insert_edge(0, 1, 1)
    graph.insert_edge(0, 2, 1)
    graph.insert_edge(1, 2, 1)
    graph.insert_edge(1, 3, 1)
    graph.insert_edge(1, 4, 1)
	
	# 输出邻接矩阵
    graph.show_graph()

3、图的遍历

所谓图的遍历,即是对图顶点的访问!一个图有那么多个顶点,如何遍历这些顶点,需要特定策略(如二叉树的遍历有前序、中序、后序)。

而对于图的遍历一般由两种访问策略:

  1. 深度优先遍历(Depth First Search),简称DFS
  2. 广度优先遍历(Broad First Search),简称BFS

3.1、深度优先遍历

深度优先,从字面上理解就是图的深度优先查找!其遍历的基本思想如下:

  1. 深度优先遍历,从初始访问结点出发,初始访问结点可能有多个邻接结点,深度优先遍历的策略就是首先访问第一个邻接结点,然后再以这个被访问的邻接结点作为初始结点,访问它的第一个邻接结点, 可以这样理解:每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。
  2. 我们可以看到,这样的访问策略是优先往纵向挖掘深入,而不是对一个结点的所有邻接结点进行横向访问。
  3. 显然,深度优先搜索是一个递归的过程

根据遍历的基本思想,我们得出深度优先遍历的算法步骤(假设初始节点为v):

  1. 访问初始结点 v,并标记结点 v 为已访问。
  2. 查找结点 v 的第一个邻接结点 w。
  3. 若 w 存在,则继续执行 4,如果 w 不存在,则回到第 1 步,将从 v 的下一个结点继续。
  4. 若 w 未被访问,对 w 进行深度优先遍历递归(即把 w 当做另一个 v,然后进行步骤 123)。
  5. 查找结点 v 的 w 邻接结点的下一个邻接结点,转到步骤 3。

案例(我们还是以刚才创建的图结构进行深度优先遍历):
数据结构-图(Graph)案例代码Java/Python均有实现_第10张图片
深度优先算法Java代码实现(Graph类新增方法):

// 获取第一个邻接节点的下标
public int getFirstNeighbor(int index) {
    for (int i = 0; i < this.vertexList.size(); i++) {
        if (this.edges[index][i] > 0) {
            return i;
        }
    }
    return -1; // 如果不存在则返回-1
}
// 根据前一个邻接节点的下标来获取下一个邻接节点
public int getNextNeighbor(int v1, int v2) {
    for (int i = v2 + 1; i < this.vertexList.size(); i++) {
        if (this.edges[v1][i] > 0) {
            return i;
        }
    }
    return -1;
}

/**
 * 深度优先遍历算法
 * @param isVisited 记录节点被访问过的boolean数组
 * @param index 第一次就是0
 */
private void dfs(boolean[] isVisited, int index) {
    // 首先我们访问该节点(输出)
    System.out.print(getVertexByIndex(index) + "->");
    // 将节点标记为已经访问过
    isVisited[index] = true;
    // 查找节点下标为index的第一个邻接节点w
    int w = getFirstNeighbor(index);
    while (w != -1) {
        if (!isVisited[w]) {
            dfs(isVisited, w);
        }
        // 如果w节点已经被访问过了
        w = getNextNeighbor(index, w);
    }
}
// 对dfs进行一个重载,遍历所有的节点,并进行dfs
public void dfs() {
    // 遍历所有节点,进行dfs[类似回溯]
    for (int i = 0; i < getNumberOfVertex(); i++) {
        if (!isVisited[i]) {
            dfs(isVisited, i);
        }
    }
    isVisited = new boolean[getNumberOfVertex()];
}

main方法中测试

// 图的深度优先遍历
graph.dfs(); // A->B->C->D->E->

深度优先算法Python代码实现(Graph类新增方法):

# 获取第一个邻接节点的下标
def get_first_neighbor(self, index):
    for i in range(len(self.vertex_list)):
        if self.edges[index][i] > 0:
            return i
    return -1

# 根据前一个邻接节点的下标来获取下一个邻接节点
def get_next_neighbor(self, v1, v2):
    for i in range(v2 + 1, len(self.vertex_list), 1):
        if self.edges[v1][i] > 0:
            return i
    return -1

# 深度优先遍历算法
def dfs(self, *args):
    if len(args) == 0:
        for i in range(self.get_number_of_vertex()):
            if self.is_visited[i] is not True:
                self.dfs(self.is_visited, i)
        self.is_visited = [False] * len(self.vertex_list)
    if len(args) == 2:
        # 首先我们访问该节点(输出)
        print(self.get_vertex_by_index(args[1]) + "->", end="")
        # 将节点标记为已经访问过
        args[0][args[1]] = True
        w = self.get_first_neighbor(args[1])
        while w != -1:
            if self.is_visited[w] is not True:
                self.dfs(args[0], w)
            w = self.get_next_neighbor(args[1], w)

3.2、广度优先遍历

图的广度优先搜索/遍历(Broad First Search):类似于一个分层搜索的,广度优先遍历需要使用一个队列以保持访问过的节点顺序,以便按这个顺序来访问这些节点的邻接节点。

其算法步骤如下:

  1. 访问初始结点 v 并标记结点 v 为已访问。
  2. 结点 v 入队列
  3. 当队列非空时,继续执行,否则算法结束。
  4. 出队列,取得队头结点 u。
  5. 查找结点 u 的第一个邻接结点 w。
  6. 若结点 u 的邻接结点 w 不存在,则转到步骤 3,否则循环执行以下三个步骤:
    1. 若结点 w 尚未被访问,则访问结点 w 并标记为已访问。
    2. 结点 w 入队列
    3. 查找结点 u 的继 w 邻接结点后的下一个邻接结点 w,转到步骤 6。

深度优先算法Java代码实现(Graph类新增方法):

// 对一个节点进行广度优先遍历
private void bfs(boolean[] isVisited, int index) {
    int u; // 队列头节点对应的下标
    int w; // 邻接节点w
    LinkedList<Integer> queue = new LinkedList<>(); // 队列,记录节点访问顺序
    // 访问节点/输出节点信息
    System.out.print(getVertexByIndex(index) + "->");
    // 将节点标记为已访问
    isVisited[index] = true;
    // 将节点加入队列
    queue.addLast(index);
    while (!queue.isEmpty()) {
        u = queue.removeFirst(); // 取出队列头结点下标
        w = getFirstNeighbor(u); // 获取第一个邻节点的下标
        if (w != -1) {
            if (!isVisited[w]) {
                System.out.print(getVertexByIndex(w) + "->");
                isVisited[w] = true; // 将节点标记为已访问
                queue.addLast(w); // 入队
            }
            // 以u为前驱点,找w后面的下一个邻节点
            w = getNextNeighbor(u, w); // 体现出广度优先
        }
    }
}

// 对所有节点进行广度优先遍历
public void bfs() {
    for (int i = 0; i < getNumberOfVertex(); i++) {
        if (!isVisited[i]) {
            bfs(isVisited, i);
        }
    }
    isVisited = new boolean[getNumberOfVertex()];
}

深度优先算法Python代码实现(Graph类新增方法):

# 广度优先遍历算法
def bfs(self, *args):
    if len(args) == 0:
        for i in range(len(self.vertex_list)):
            if self.is_visited[i] is not True:
                self.bfs(self.is_visited, i)
        self.is_visited = [False] * len(self.vertex_list)
    if len(args) == 2:
        # 对一个节点进行广度优先遍历
        u = 0  # 队列头结点对应的下标
        w = 0  # 邻接节点对应的下标
        bfs_queue = Queue()  # 记录节点的访问顺序
        print(self.get_vertex_by_index(args[1]) + "->", end="")
        args[0][args[1]] = True
        bfs_queue.put(args[1])  # 入队
        while bfs_queue.empty() is not True:
            u = bfs_queue.get()
            w = self.get_first_neighbor(u)
            if w != -1:
                if args[0][w] is not True:
                    print(self.get_vertex_by_index(w) + "->", end="")
                    args[0][w] = True
                    bfs_queue.put(w)  # 入队
                w = self.get_next_neighbor(u, w)

测试

if __name__ == "__main__":
    n = 5  # 顶点个数
    graph = Graph(n)  # 创建图对象
    vertex_list = ["A", "B", "C", "D", "E"]

    # 循环添加顶点
    for vertex in vertex_list:
        graph.inset_vertex(vertex)
    # 添加边
    graph.insert_edge(0, 1, 1)
    graph.insert_edge(0, 2, 1)
    graph.insert_edge(1, 2, 1)
    graph.insert_edge(1, 3, 1)
    graph.insert_edge(1, 4, 1)

    graph.show_graph()

    # 图的深度优先遍历
    graph.dfs()

    print()

    # 图的广度优先遍历
    graph.bfs()

输出结果
数据结构-图(Graph)案例代码Java/Python均有实现_第11张图片
我们发现深度优先和广度优先输出的顺序是一样的,并没有看出他们之间的区别。所以我们再来看个例子~
数据结构-图(Graph)案例代码Java/Python均有实现_第12张图片
1、深度优先遍历的顺序是:1->2->4->8->5->3->6->7
2、广度优先遍历的顺序是:1->2->3->4->5->6->7->8

代码验证:

if __name__ == "__main__":
    n = 8  # 顶点个数
    graph = Graph(n)  # 创建图对象
    vertex_list = ["1", "2", "3", "4", "5", "6", "7", "8"]

    for vertex in vertex_list:
        graph.inset_vertex(vertex)

    # 添加边
    graph.insert_edge(0, 1, 1)  # 1 - 2
    graph.insert_edge(0, 2, 1)  # 1 - 3
    graph.insert_edge(1, 3, 1)  # 2 - 4
    graph.insert_edge(1, 4, 1)  # 2 - 5
    graph.insert_edge(2, 5, 1)  # 3 - 6
    graph.insert_edge(2, 6, 1)  # 3 - 7
    graph.insert_edge(3, 7, 1)  # 4 - 8
    graph.insert_edge(4, 7, 1)  # 5 - 8
    graph.insert_edge(5, 6, 1)  # 6 - 7

    graph.show_graph()

    # 深度优先遍历
    graph.dfs()

    print()

    # 广度优先遍历
    graph.bfs()

END

THANK YOU

你可能感兴趣的:(数据结构与算法,数据结构,有向图,java)