第八章 图
8.1 图的相关术语
图是网络结构的抽象模型。图是一组由边连接的节点（或顶点）。学习图是重要的，因为任
何二元关系都可以用图来表示。
任何社交网络，例如Facebook、Twitter和Google plus，都可以用图来表示。
我们还可以使用图来表示道路、航班以及通信状态，如下图所示：
一个图G = (V, E)由以下元素组成。
V：一组顶点
E：一组边，连接V中的顶点
下图表示一个图：
在着手实现算法之前，让我们先了解一下图的一些术语。
由一条边连接在一起的顶点称为相邻顶点。比如，A和B是相邻的，A和D是相邻的，A和C
是相邻的，A和E不是相邻的。
一个顶点的度是其相邻顶点的数量。比如，A和其他三个顶点相连接，因此，A的度为3；E
和其他两个顶点相连，因此，E的度为2。
路径是顶点v1, v2,…,vk的一个连续序列，其中vi和vi+1是相邻的。以上一示意图中的图为例，
其中包含路径A B E I和A C D G。
简单路径要求不包含重复的顶点。举个例子，A D G是一条简单路径。除去最后一个顶点（因
为它和第一个顶点是同一个顶点），环也是一个简单路径，比如A D C A（最后一个顶点重新回到A）。
如果图中不存在环，则称该图是无环的。如果图中每两个顶点间都存在路径，则该图是连
通的。
有向图和无向图
图可以是无向的（边没有方向）或是有向的（有向图）。如下图所示，有向图的边有一个方向：
如果图中每两个顶点间在双向上都存在路径，则该图是强连通的。例如，C和D是强连通的，
而A和B不是强连通的。
图还可以是未加权的（目前为止我们看到的图都是未加权的）或是加权的。如下图所示，加
权图的边被赋予了权值：
8.2 图的表示
从数据结构的角度来说，我们有多种方式来表示图。在所有的表示法中，不存在绝对正确的
方式。图的正确表示法取决于待解决的问题和图的类型。
8.2.1 邻接矩阵
不是强连通的图（稀疏图）如果用邻接矩阵来表示，则矩阵中将会有很多0，这意味着我们
浪费了计算机存储空间来表示根本不存在的边。例如，找给定顶点的相邻顶点，即使该顶点只有
一个相邻顶点，我们也不得不迭代一整行。邻接矩阵表示法不够好的另一个理由是，图中顶点的
数量可能会改变，而2维数组不太灵活。
8.2.2 邻接表
我们也可以使用一种叫作邻接表的动态数据结构来表示图。邻接表由图中每个顶点的相邻顶
点列表所组成。存在好几种方式来表示这种数据结构。我们可以用列表（数组）、链表，甚至是
散列表或是字典来表示相邻顶点列表。下面的示意图展示了邻接表数据结构。
尽管邻接表可能对大多数问题来说都是更好的选择，但以上两种表示法都很有用，且它们有
着不同的性质（例如，要找出顶点v和w是否相邻，使用邻接矩阵会比较快）。
8.2.3 关联矩阵
我们还可以用关联矩阵来表示图。在关联矩阵中，矩阵的行表示顶点，列表示边。如下图所
示，我们使用二维数组来表示两者之间的连通性，如果顶点v是边e的入射点，则array[v][e] === 1；否则，array[v][e] === 0。
关联矩阵通常用于边的数量比顶点多的情况下，以节省空间和内存。
8.3 创建Graph类
function Graph(){
var vertices=[] //{1}
var adjList = new Dictionary() //{2}
this.addVertex = function(v){
vertices.push(v) //{3}
adjList.set(v,[]) //{4}
}
this.addEdge = function(v,w){
adjList.get(v).push(w) //{5}
adjList.get(w).push(v) //{6}
}
this.toString = function(){
var s = ''
for(var i=0;i '
var neighbors = adjList.get(vertices[i]) //{11}
for(var j=0;j 我们使用一个数组来存储图中所有顶点的名字（行{1}），以及一个字典（在第6章中已经实
现）来存储邻接表（行{2}）。字典将会使用顶点的名字作为键，邻接顶点列表作为值。vertices
数组和adjList字典两者都是我们Graph类的私有属性。
接着，我们将实现两个方法：一个用来向图中添加一个新的顶点（因为图实例化后是空的），另外一个方法用来添加顶点之间的边。我们先实现addVertex方法，这个方法接受顶点v作为参数。我们将该顶点添加到顶点列表中（行{3}），并且在邻接表中，设置顶点v作为键对应的字典值为一个空数组（行{4}）。
现在，我们来实现addEdge方法，这个方法接受两个顶点作为参数。首先，通过将w加入到v的邻接表中，我们添加了一条自顶点v到顶点w的边。如果你想实现一个有向图，则行{5}就足够了。由于本章中大多数的例子都是基于无向图的，我们需要添加一条自w向v的边（行{6}）。
为了更方便一些，让我们来实现一下Graph类的toString方法，以便于在控制台输出图。我们为邻接表表示法构建了一个字符串。首先，迭代vertices数组列表（行{10}），将顶点的名字加入字符串中。接着，取得该顶点的邻接表（行{11}），同样也迭代该邻接表（行{12}），将相邻顶点加入我们的字符串。邻接表迭代完成后，给我们的字符串添加一个换行符（行{13}），这样就可以在控制台看到一个漂亮的输出了。
8.4 图的遍历
和树数据结构类似，我们可以访问图的所有节点。有两种算法可以对图进行遍历：广度优先
搜索（Breadth-First Search，BFS）和深度优先搜索（Depth-First Search，DFS）。图遍历可以用来寻找特定的顶点或寻找两个顶点之间的路径，检查图是否连通，检查图是否含有环等。
在实现算法之前，让我们来更好地理解一下图遍历的思想方法。
图遍历算法的思想是必须追踪每个第一次访问的节点，并且追踪有哪些节点还没有被完全探
索。对于两种图遍历算法，都需要明确指出第一个被访问的顶点。
完全探索一个顶点要求我们查看该顶点的每一条边。对于每一条边所连接的没有被访问过的
顶点，将其标注为被发现的，并将其加进待访问顶点列表中。
为了保证算法的效率，务必访问每个顶点至多两次。连通图中每条边和顶点都会被访问到。
广度优先搜索算法和深度优先搜索算法基本上是相同的，只有一点不同，那就是待访问顶点
列表的数据结构。
当要标注已经访问过的顶点时，我们用三种颜色来反映它们的状态。
白色：表示该顶点还没有被访问。
灰色：表示该顶点被访问过，但并未被探索过。
黑色：表示该顶点被访问过且被完全探索过。
这就是之前提到的务必访问每个顶点最多两次的原因。
8.4.1 广度优先搜索
广度优先搜索算法会从指定的第一个顶点开始遍历图，先访问其所有的相邻点，就像一次访
问图的一层。换句话说，就是先宽后深地访问顶点，如下图所示：
以下是从顶点v开始的广度优先搜索算法所遵循的步骤。
(1) 创建一个队列Q。
(2) 将v标注为被发现的（灰色），并将v入队列Q。
(3) 如果Q非空，则运行以下步骤：
(a) 将u从Q中出队列；
(b) 将标注u为被发现的（灰色）；
(c) 将u所有未被访问过的邻点（白色）入队列；
(d) 将u标注为已被探索的（黑色）。
让我们来实现广度优先搜索算法：
var initializeColor = function(){
var color = []
for(var i=0;i 广度优先搜索和深度优先搜索都需要标注被访问过的顶点。为此，我们将使用一个辅助数组
color。由于当算法开始执行时，所有的顶点颜色都是白色（行{1}），所以我们可以创建一个辅
助函数initializeColor，为这两个算法执行此初始化操作。
让我们深入学习广度优先搜索方法的实现。我们要做的第一件事情是用initializeColor
函数来将color数组初始化为white（行{2}）。我们还需要声明和创建一个Queue实例（行{3}），
它将会存储待访问和待探索的顶点。
照着本章开头解释过的步骤，bfs方法接受一个顶点作为算法的起始点。起始顶点是必要的，
我们将此顶点入队列（行{4}）。
如果队列非空（行{5}），我们将通过出队列（行{6}）操作从队列中移除一个顶点，并取得
一个包含其所有邻点的邻接表（行{7}）。该顶点将被标注为grey（行{8}），表示我们发现了它
（但还未完成对其的探索）。
对于u（行{9}）的每个邻点，我们取得其值（该顶点的名字——行{10}），如果它还未被访
问过（颜色为white——行{11}），则将其标注为我们已经发现了它（颜色设置为grey——行
{12}），并将这个顶点加入队列中（行{13}），这样当其从队列中出列的时候，我们可以完成对
其的探索。
当完成 探索该顶点 和其相邻顶 点后，我们 将该顶点标 注为已探索 过的（颜色设置为
black——行{14}）
1. 使用BFS寻找最短路径
到目前为止，我们只展示了BFS算法的工作原理。我们可以用该算法做更多事情，而不只是
输出被访问顶点的顺序。例如，考虑如何来解决下面这个问题。
给定一个图G和源顶点v，找出对每个顶点u，u和v之间最短路径的距离（以边的数量计）。
对于给定顶点v，广度优先算法会访问所有与其距离为1的顶点，接着是距离为2的顶点，
以此类推。所以，可以用广度优先算法来解这个问题。我们可以修改bfs方法以返回给我们一
些信息：
从v到u的距离d[u]；
前溯点pred[u]，用来推导出从v到其他每个顶点u的最短路径。
让我们来看看改进过的广度优先方法的实现：
this.BFS = function(v){
var color = initializeColor(),
queue=new Queue(),
d=[], //{1}
pred=[]
queue.enqueue(v)
for(var i=0;i 我们还需要声明数组d（行{1}）来表示距离，以及pred数组来表示前溯点。下一步则是对
图中的每一个顶点，用0来初始化数组d（行{4}），用null来初始化数组pred。
当我们发现顶点u的邻点w时，则设置w的前溯点值为u（行{7}）。我们还通过给d[u]加1来
设置v和w之间的距离（u是w的前溯点，d[u]的值已经有了）。
方法最后返回了一个包含d和pred的对象（行{8}）。
通过前溯点数组，我们可以用下面这段代码来构建从顶点A到其他顶点的路径：
var fromVertex = myVertices[0]; //{9}
for (var i=1; i 我们用顶点A作为源顶点（行{9}）。对于每个其他顶点（除了顶点A——行{10}），我们会计
算顶点A到它的路径。我们从顶点数组得到toVertex（行{11}），然后会创建一个栈来存储路径
值（行{12}）。
接着，我们追溯toVertex到fromVertex的路径（行{13}）。变量v被赋值为其前溯点的值，
这样我们能够反向追溯这条路径。将变量v添加到栈中（行{14}）。最后，源顶点也会被添加到
栈中，以得到完整路径。
这之后，我们创建了一个s字符串，并将源顶点赋值给它（它是最后一个加入栈中的，所以
它是第一个被弹出的项 ——行{16}）。当栈是非空的，我们就从栈中移出一个项并将其拼接到字
符串s的后面（行{18}）。最后（行{19}）在控制台上输出路径。
执行该代码段，我们会得到如下输出：
2. 深入学习最短路径算法
本章中的图不是加权图。如果要计算加权图中的最短路径（例如，城市A和城市B之间的最短路径——GPS和Google Maps中用到的算法），广度优先搜索未必合适。
举些例子，Dijkstra算法解决了单源最短路径问题。Bellman-Ford算法解决了边权值为负的
单源最短路径问题。A*搜索算法解决了求仅一对顶点间的最短路径问题，它用经验法则来加速搜
索过程。Floyd-Warshall算法解决了求所有顶点对间的最短路径这一问题。
8.4.2 深度优先搜索
深度优先搜索算法将会从第一个指定的顶点开始遍历图，沿着路径直到这条路径最后一个顶
点被访问了，接着原路回退并探索下一条路径。换句话说，它是先深度后广度地访问顶点，如下
图所示：
深度优先搜索算法不需要一个源顶点。在深度优先搜索算法中，若图中顶点v未访问，则访
问该顶点v。
要访问顶点v，照如下步骤做。
(1) 标注v为被发现的（灰色）。
(2) 对于v的所有未访问的邻点w，访问顶点w，标注v为已被探索的（黑色）。
如你所见，深度优先搜索的步骤是递归的，这意味着深度优先搜索算法使用栈来存储函数调
用（由递归调用所创建的栈）。
让我们来实现一下深度优先算法：
this.dfs = function(){
var color = initializeColor() //{1}
for(var i=0;i 首先，我们创建颜色数组（行{1}），并用值white为图中的每个顶点对其做初始化，广度优
先搜索也这么做的。接着，对于图实例中每一个未被访问过的顶点（行{2}和{3}），我们调用私
有的递归函数dfsVisit，传递的参数为顶点、颜色数组以及回调函数（行{4}）。
当访问u顶点时，我们标注其为被发现的（grey——行{5}）。如果有callback函数的话（行
{6}），则执行该函数输出已访问过的顶点。接下来一步是取得包含顶点u所有邻点的列表（行
{7}）。对于顶点u的每一个未被访问过（颜色为white——行{10}和行{8}）的邻点w（行{9}），
我们将调用dfsVisit函数，传递w和其他参数（行{11}——添加顶点w入栈，这样接下来就能访
问它）。最后，在该顶点和邻点按深度访问之后，我们回退，意思是该顶点已被完全探索，并将
其标注为black（行{12}）。
让我们执行下面的代码段来测试一下dfs方法：
1. 探索深度优先算法
到目前为止，我们只是展示了深度优先搜索算法的工作原理。我们可以用该算法做更多的事
情，而不只是输出被访问顶点的顺序。
对于给定的图G，我们希望深度优先搜索算法遍历图G的所有节点，构建“森林”（有根树的
一个集合）以及一组源顶点（根），并输出两个数组：发现时间和完成探索时间。我们可以修改
dfs方法来返回给我们一些信息：
顶点u的发现时间d[u]；
当顶点u被标注为黑色时，u的完成探索时间f[u]；
顶点u的前溯点p[u]。
让我们来看看改进了的DFS方法的实现：
var time = 0 //{1}
this.DFS = function(){
var color = initializeColor(), //{2}
d = [],
f = [],
p = [];
time = 0;
for (var i=0; i 我们需要一个变量来要追踪发现时间和完成探索时间（行{1}）。时间变量不能被作为参数
传递，因为非对象的变量不能作为引用传递给其他JavaScript方法（将变量作为引用传递的意思是
如果该变量在其他方法内部被修改，新值会在原始变量中反映出来）。接下来，我们声明数组d、
f和p（行{2}）。我们需要为图的每一个顶点来初始化这些数组（行{3}）。在这个方法结尾处返
回这些值（行{4}），之后我们要用到它们。
当一个顶点第一次被发现时，我们追踪其发现时间（行{5}）。当它是由引自顶点u的边而被
发现的，我们追踪它的前溯点（行{6}）。最后，当这个顶点被完全探索后，我们追踪其完成时
间（行{7}）。
深度优先算法背后的思想是什么？边是从最近发现的顶点u处被向外探索的。只有连接到未
发现的顶点的边被探索了。当u所有的边都被探索了，该算法回退到u被发现的地方去探索其他的
边。这个过程持续到我们发现了所有从原始顶点能够触及的顶点。如果还留有任何其他未被发现
的顶点，我们对新源顶点重复这个过程。重复该算法，直到图中所有的顶点都被探索了。
对于改进过的深度优先搜索，有两点需要我们注意：
时间（time）变量值的范围只可能在图顶点数量的一倍到两倍之间；
对于所有的顶点u，d[u]
在这两个假设下，我们有如下的规则：
1 ≤ d [u] < f [u] ≤ 2|V|
如果对同一个图再跑一遍新的深度优先搜索方法，对图中每个顶点，我们会得到如下的发现
/完成时间：
2. 拓扑排序——使用深度优先搜索
给定下图，假定每个顶点都是一个我们需要去执行的任务：
当我们需要编排一些任务或步骤的执行顺序时，这称为拓扑排序（topological sorting，英文
亦写作topsort或是toposort）。在日常生活中，这个问题在不同情形下都会出现。例如，当我们开
始学习一门计算机科学课程，在学习某些知识之前得按顺序完成一些知识储备（你不可以在上算
法I前先上算法II）。当我们在开发一个项目时，需要按顺序执行一些步骤，例如，首先我们得从
客户那里得到需求，接着开发客户要求的东西，最后交付项目。你不能先交付项目再去收集需求。
拓扑排序只能应用于DAG（有向无环图）。那么，如何使用深度优先搜索来实现拓扑排序呢？让我们在本节开头的示意图上执行一下深度优先搜索。
创建有向图要注意把图结构中添加边的方法的第二行给注释掉
this.addEdge = function(v,w){
adjList.get(v).push(w) //{5}
//adjList.get(w).push(v) //{6}
}
8.5 最短路径算法
8.5.1 Dijkstra算法
Dijkstra算法是一种计算从单个源到所有其他源的最短路径的贪心算法（你可以在第11章了
解到更多关于贪心算法的内容），这意味着我们可以用它来计算从图的一个顶点到其余各顶点的
最短路径。
考虑下图：
我们来看看如何找到顶点A和其余顶点之间的最短路径。但首先，我们需要声明表示上图的
邻接矩阵，如下所示：
现在，通过下面的代码来看看Dijkstra算法是如何工作的：
var INF = Number.MAX_SAFE_INTEGER
this.graph = [ [0, 2, 4, 0, 0, 0],
[0, 0, 2, 4, 2, 0],
[0, 0, 0, 0, 3, 0],
[0, 0, 0, 0, 0, 2],
[0, 0, 0, 3, 0, 2],
[0, 0, 0, 0, 0, 0] ]
this.dijkstra = function(src) {
var dist = [], visited = [],
length = this.graph.length
for (var i = 0; i < length; i++) { //{1}
dist[i] = INF
visited[i] = false;
}
dist[src] = 0; //{2}
for (var i = 0; i < length-1; i++) { //{3}
var u = minDistance(dist, visited) //{4}
visited[u] = true; //{5}
for (var v = 0; v < length; v++) {
if (!visited[v] &&
this.graph[u][v] != 0 && dist[u] != INF &&
dist[u] + this.graph[u][v] < dist[v]) { //{6}
dist[v] = dist[u] + this.graph[u][v] //{7}
}
}
}
return dist //{8}
}
var minDistance = function(dist, visited) {
var min = INF, minIndex = -1;
for (var v = 0; v < dist.length; v++) {
if (visited[v] == false && dist[v] <= min) {
min = dist[v];
minIndex = v;
}
}
return minIndex;
} 下面是对算法过程的描述。
行{1}：首先，把所有的距离（dist）初始化为无限大（JavaScript最大的数INF = Number.
MAX_SAFE_INTEGER），将visited[]初始化为false。
行{2}：然后，把源顶点到自己的距离设为0。
行{3}：接下来，要找出到其余顶点的最短路径。
行{4}：为此，我们需要从尚未处理的顶点中选出距离最近的顶点。
行{5}：把选出的顶点标为visited，以免重复计算。
行{6}：如果找到更短的路径，则更新最短路径的值（行{7}）。
行{8}：处理完所有顶点后，返回从源顶点（src）到图中其他顶点最短路径的结果。
要计算顶点间的minDistance，就要搜索dist数组中的最小值，返回它在数组中的索引
8.5.2 Floyd-Warshall 算法
Floyd-Warshall算法是一种计算图中所有最短路径的动态规划算法。通过该算法，我们可以找出从所有源到所有顶点的最短路径。
Floyd-Warshall算法实现如下：
this.floydWarshall = function() {
var dist = [],
length = this.graph.length,
i, j, k
for (i = 0; i < length; i++) { //{1}
dist[i] = []
for (j = 0; j < length; j++) {
if(this.graph[i][j]===0){
dist[i][j]=999
}else{
dist[i][j] = this.graph[i][j]
}
if(i===j){
dist[i][j]=0
}
}
}
for (k = 0; k < length; k++) { //{2}
for (i = 0; i < length; i++) {
for (j = 0; j < length; j++) {
if (dist[i][k] + dist[k][j] < dist[i][j]) { //{3}
dist[i][j] = dist[i][k] + dist[k][j] //{4}
}
}
}
}
return dist;
}下面是对算法过程的描述。
行{1}：首先，把dist数组初始化为每个顶点之间的权值，因为i到j可能的最短距离就
是这些顶点间的权值。
行{2}：通过k，得到i途径顶点0至k，到达j的最短路径。
行{3}：判断i经过顶点k到达j的路径是否比已有的最短路径更短。
行{4}：如果是更短的路径，则更新最短路径的值。
行{3}是Floyd-Warshall算法的核心。对本节开始的图执行以上算法，会得到如下输出：
其中，999代表顶点i到j的最短路径不存在。