算法导论——lec 10 图的基本算法及应用

算法导论——lec 10 图的基本算法及应用

大家好,又见面了,我是全栈君。

搜索一个图是有序地沿着图的边訪问全部定点, 图的搜索算法能够使我们发现非常多图的结构信息, 图的搜索技术是图算法邻域的核心。

一、 图的两种计算机表示

1、 邻接表: 这样的方法表示稀疏图比較简洁紧凑。

typedef struct{
	int adjvex;//邻接顶点的位置
	struct ArcNode *next;
	int weight;//边的权重
}ArcNode;

typedef struct{
	VertexType data;
	ArcNode *firstarc;
}VNode, AdjList[MAX_VERTEX_NUM];

算法导论——lec 10 图的基本算法及应用

a、 邻接表中的顶点依照随意次序存储,每一个顶点的邻接顶点也是依照随意次序存储。

b、 邻接表中的顶点数即图中的节点数V,若G是无向图,那么全部邻接表的长度和为2E,若G是有向图,全部邻接表的长度和为E。

c、 不管有向图还是无向图,所须要的存储容量为O(V+E)。

d、 不足:确定边是否存在须要在顶点的邻接表中搜索全部顶点。

2、 邻接矩阵法:这样的方法适合稠密图。能非常快推断两个顶点是否相邻。

邻接矩阵先对图中的顶点进行编号1…|V|,编号之后,用一个|V| X |V| 矩阵来表示图。矩阵中的元素aij是否为0表示Vi和Vj之间是否有边,存储矩阵的空间为O(|V|^2)。与边数无关。

算法导论——lec 10 图的基本算法及应用算法导论——lec 10 图的基本算法及应用

a、 在无向图的有些应用中。为了节省存储空间能够仅仅存储上三角或者下三角矩阵。

b、 边的权重能够用矩阵元素存储;

c、 对于非加权图用一个二进制位来表示是否有边能够节省存储空间。

二、 广度优先的图搜索算法

给定一个图G=(V, E)和源点s, 广度优先搜索算法系统地探寻G全部的边。从而发现从s可达的全部 的顶点。并计算s到全部这些顶点的距离(最少边数)。

该算法同一时候生成一棵根为s且包括全部可达顶点的广度优先树。

对于从s出发的随意节点。广度优先树中从s到v的路径相应G中从s到v的最短路径。算法对有向图和无向图都相同有效。

算法自始至终通过已找到和未找到顶点之间的边界向外扩展。

1、 运行过程:广度优先搜索为每一个顶点着色(白灰黑),開始的时候都是为白色。第一次碰到一个顶点的时候。称顶点被发现,此时顶点由白色变成非白色。灰色和黑色顶点都是被发现的顶点。与黑色顶点邻接的全部顶点都是已被发现的。灰色顶点能够与一些白色顶点邻接,代表已发现和未发现的边界。

2、 广度优先搜索建立了一棵广度优先树,每当一个白色顶点被发现时,该顶点与相关的边就被加入到树中。

3、 附加数据结构:存储颜色的数组color,存储父母节点的pi,以及存储从源点s到顶点的最短距离的d,存放灰色节点的先进先出队列Q。

BFS(G, s)
1 for each vertex v in {G}-{s}
2 	do color[v]<--white
3 		d[v]<--0
4 		pi[v]<--0
5 color[s]<--gray
6 d[s]<--0
7 pi[s]<--nil
8 Q<--NULL
9 Enqueue(Q, s)
10while Q != NULL
11	do u<--Dequeue(Q)
12		for each v in Adj[u]
13			do if color[v]<--white
14				then color[v]<--gray
15					d[v]<--d[u]+1
16					pi[v]<--u
17					Enqueue(Q, v)
18		color[u]<--black


4、 广度优先搜索的结果与12行中给定顶点的邻接点的訪问顺序有关,产生的广度优先树可能不同,可是计算出来d是一样的。

5、 灰色顶点的父节点未必是黑色顶点,在11-18行中间产生灰色节点的时候。其父节点尚未变黑。

6、 执行时间:第13行的測试保证每一个节点至多仅仅入队列一次,因而也至多仅仅出队列一次。队列操作所用时间为O(V)。每一个顶点出队列时訪问其邻接表。因此每一个顶点的邻接表至多仅仅訪问一次,全部邻接表表长之和为O(E),因此总的时间复杂度为O(v+E)。

7、 对于一个图,广度优先搜索能够得到从s可达的每一个节点的距离。

8、 广度优先树:在BFS的搜索图的同一时候建立了一棵广度优先树,这棵树是由每一个结点的pi域表示。

前驱子图:对于图G=(V,E),给定原点s,其前驱子图Gpi = {Vpi。 Epi}

当中,Vpi = {v∈V, pi(v) != nil} ∪{s}

   Epi = {(pi(v), v) : v∈ Vpi – {s}}

假设Vpi由从s可达的全部定点构成。那么Gpi是一棵广度优先树,且| Epi |  = | Vpi | – 1

定理: 假设DFS应用于一个有向图或无向图,该过程同一时候建立的pi域满足条件:其前驱子图 Gpi = {Vpi, Epi}是一棵广度优先树。

Print-Path(G, s, v)
1 if s = v
2 	then print s
3 else if pi[v] = nil
4 	then print error "no path exist"
5 else Print-Path(G, s, pi[v])
6 	print v

三、 深度优先的图搜索算法

深度优先搜索所遵循的策略是尽可能深的搜索图。在深度优先搜索的过程中,对于新发现的节点。假设还有以此节点为起点而为探寻到的边。就沿着此边继续探寻下去。当节点v的全部边已被探索过或者无边可探。就回溯到以发现此节点v的节点为起点的边,这个过程一直进行到发现从原点可达的全部节点为止。假设还存在未发现的节点,就从中选一个为起点又一次開始探索。假设此重复。直到全部的节点都被探寻到为止。

1、 深度优先搜索的先辈子图形成一个由数个深度优先树组成的深度优先森林。

2、 深度优先搜索也为节点着色,最開始为白色。探寻到的时候置为灰色。结束时置为黑色。这样能够保证每一个节点仅仅存在于一棵深度优先树中。

3、 除了创建一棵深度优先树之外。DFS还为每一个节点加盖时间戳,当节点第一次被发现时(置为灰色)记下第一个时间戳d[v],当结束检查v的邻接表时(置为黑色),记下第二个时间戳f[v]。

在d[v]之前v是白色的。在f[v]之后v是黑色的。在d[v]和f[v]之间v是灰色的。

4、 深度优先搜索算法:有DFS和DFS-Visit两个过程组成

DFS(G)
1 for each vertex v in V
2 	do color[v]<--white
3 		d[v]<--0
4 		f[v]<--0
5 		pi[v]<--nil
6 time<--0
7 for each vertex u in V
8 	do if color[u] = white
9 		then DFS-Visit(G, u)

DFS-Visit(G, u)
1 color[u]<--gray
2 time<--time+1
3 d[u]<--time
4 for each vertex v in Adj[u]
5 	do if color[v] = white
6 		pi[v]<--u
7 		DFS-Visit(G, v)
8 color[u]<--black
9 time<--time+1
10f[u]<--time

时间复杂度为Θ(V+E)。

5、 边的分类:依据DFS产生的深度优先森林,能够将边分成四类——树边,正向边,反向边。交叉边。

6、 深度优先搜索的发现和完毕时间具有括号性质。

算法导论——lec 10 图的基本算法及应用

7、 白色路径定理: 在一个图G=(V,E)(有向或无向图)的深度优先森林中。结点v是结点u的后裔当且仅当在搜索中于d[u]时刻发现u时,能够从顶点u出发。经过一条全然由白色顶点组成的路径到达v。

8、 能够对算法DFS进行一些改动。使之遇到边时能对其进行分类。算法的核心思想在于对于每条边(u,v),当该边第一次被探寻到时。即依据所到达的结点v的颜色。来对该边进行分类(但正向边和交叉边不能用颜色区分出):

a、 白色表明它是树边;

b、 灰色说明它是反向边。

c、 黑色表示他是正向边或者交叉边。假设d[u]<d[v]。则边(u,v)就是正向边,反之就是交叉边。

9、 以上分类对于无向图来说。可能会有歧义。

在对无向图G进行深度优先搜索的过程中,G的每条边要么是树边,要么是反向边。

四、 拓扑排序

一个图的拓扑排序能够看成是图的全部顶点沿水平线排成的一个序列,使得全部的有向边均从左指向右。

1、 以下简答的算法能够对有向图进行拓扑排序:

TOPOLOGICAL-SORT(G)

a、 调用DFS(G)计算每一个节点v的f[v]。

b、 当每一个顶点完毕后。把它插入链表前端;

c、 返回由顶点组成的链表。

由于深度优先搜索的执行时间为Θ(V+E),而将|V|个顶点中的每个插入链表所占用的时间为O(1),因此进行拓扑排序的执行时间为Θ(V+E)

上述算法能否够改成当探寻到每一个定点d[v]的时候,就将定点插入到链表的尾端呢?不行。例如以下图所看到的,假设这种话,shoes就在socks的前面了,其实。socks到shoes有一条有向边。shoes应该在socks的后面。矛盾。

算法导论——lec 10 图的基本算法及应用

2、 引理:有向图G无回路当且仅当对G进行深度优先搜索没有得到反向边。

3、 定理: TOPOLOGICAL-SORT (G) 算法可产生有向无回路图G的拓扑排序。

五、 强连通分枝

1、 在有向图中,假设不论什么两个不同的定点都相互可达。则称有向图是强连通的。一个有向图的极大强连通子图称为其强连通分枝。

2、 非常多有关有向图的算法都从分解步骤開始,这样的分解可把原始的问题分成数个子问题。当中每一个子子问题相应 一个强连通分支。构造强连通分支之间的联系也就把子问题的解决方法联系在一起,我们能够用一种称之为分支图的图来表示这 种构造。

3、 寻找图G=(V,E)的强连通分支的算法中使用了G 的转置,即E‘由G中的边改变方向后组成。若已知图G的邻接表,则建立GT所需时间为O(V+E)。G和G’有着全然同样的强连通支, 即在G中u和v互为可达当且仅当在GT中它们互为可达。

4、 下列执行时间为Θ(V+E)的算法可得出有向图G=(V,E)的强连通分支,该算法使用了两次深度优先搜索,一次在 图G上进行,还有一次在图G‘上进行:

Strongly_Connected_Components(G)

a、 调用DFS(G)以计算出每一个结点u的完毕时刻f[u];

b、 计算出G’。

c、 调用DFS(GT),但在DFS的主循环里按f[u]递减的顺序考虑各结点(和第一行中一样计算);

d、 输出第3步中产生的深度优先森林中每棵树的顶点, 作为各自独立的强连通分支。

算法导论——lec 10 图的基本算法及应用

Strongly_Connected_Component算法的思想来自于分支图GSCC = (VSCC, ESCC)的一个重要性质:

如果G的强连通分支为C1 , C2 ,…, Ck。顶点集Vscc 为{v1 , v2 ,…, vk }, 对于G的每个强连通分支Ci ,都包括一个顶点vi。如果对于某个x ∈Ci 以及某个y ∈Cj,G中包括了一条有向边(x, y) 的话,则就有一条边(vi , vj ) ∈Escc。从还有一方面看,收缩那些其关联顶点都处于G的同一强连通分支内的边,就可以得到图Gscc。

5、 引理:设C和C′是有向图G = (V, E)中的两个不同的强连通分支。设u, v ∈C, u′, v′∈C′, 并如果G中存在着一条通路u→u′,那么G中就不可能同一时候存在通路v′→ v。

6、 引理: 设C和C’为有向图G=(V,E)中的两个不同的强连通分支。

如果一条边(u,v) ∈E,当中u ∈C,v ∈C’。则f(C)>f(C’)。

推论:设C和C’为有向图G=(V,E)中两个不同强连通分支,如果存在着一条边(u, v) ∈ET, u ∈C且v ∈ C′. 那么f(C) < f(C′)。

7、 Strongly_Connected_Components(G)能正常工作的原因: 

a、 第二次在GT 上运行深度优先搜索:从强连通分支C開始。f(C)是最大的,搜索从C的某个顶点x開始。訪问C 全部顶点。

b、 依据推论,GT没有从C到其它连通分支的边。根为x的树仅包括C中的顶点。

c、 接下来訪问C’。f(C’)是f(C)外最大的,与訪问C过程类似当算法第3行对GT 进行深度优先搜索时。该分支出来的不论什么边都指向已被訪问过的分支。

因此,每颗深度优先树都是一个强连通分支。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/115936.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • leetcode最长无重复字符串_直线是一维还是二维

    leetcode最长无重复字符串_直线是一维还是二维【LeetCode】﹝前缀和ி﹞一维、二维前缀和应用文章目录【LeetCode】﹝前缀和ி﹞一维、二维前缀和应用在区间范围内统计奇数数目★区域和检索-数组不可变★★子数组异或查询★★定长子串中元音的最大数目★★生存人数★★二维区域和检索-矩阵不可变★★矩阵区域和★★矩形区域不超过K的最大数值和★★★在区间范围内统计奇数数目★1523.在区间范围内统计奇数数目【题目】给你两个非负整数low和high。请你返回low和high之间(包括二者)奇数的数目。【示例】输入:l

  • 脑电独立成分分析(independent component analysis)「建议收藏」

    脑电独立成分分析(independent component analysis)「建议收藏」相比其它成像方法,EEG更为便捷低价,无论是拿erp成分还是做时频分析,提高信噪比始终是EEG分析的重点。将ICA应用在EEG分析中,可以较好的识别并去掉眼动和其它噪音(heartbeat,linenoise,musclenoise)。但对ICA分析前的预处理和后期成分的识别,缺少详细的说明。以下的分析方法主要参考EEGLAB给的非官方说明,tutorial的第九章和第十章,BoyLu…

  • curl转让query string逃生参数

    curl转让query string逃生参数

  • BUAA_OO_Unit4 & 学期 总结「建议收藏」

    BUAA_OO_Unit4 & 学期 总结「建议收藏」BUAA_OO_Unit4 & 学期 总结

  • 表格图片加载不出来,破图,加载失败怎么办_ie网页表格显示不出来

    表格图片加载不出来,破图,加载失败怎么办_ie网页表格显示不出来表格图片加载不出来,破图,加载失败el-upload组件将图片上传至服务器<templateslot-scope=”scope”slot=”wjmcForm”><el-upload:headers=”headers”:show-file-list=”false”…

    2022年10月24日
  • 激光slam理论与实践_SLAM算法

    激光slam理论与实践_SLAM算法激光SLAM笔记(1)——激光SLAM框架和基本数学理论1、SLAM分类1.1、基于传感器的分类1.2、基于后端的分类2、激光SLAM算法(基于优化的算法)2.1、激光SLAM算法的流程2.2、激光SLAM常用算法2.3、激光SLAM在实际环境中的问题3、激光SLAM算法介绍3.1、2D激光SLAM3.2、3D激光SLAM1、SLAM分类1.1、基于传感器的分类1.2、基于后端的分类 …

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号