网站响应式和非响应式,wordpress可视化编辑在那里,wordpress博客页面模板,做的网站访问速度慢一、图概述
定义#xff1a;
图(graph)是由一些点(vertex)和这些点之间的连线(edge)所组成的#xff1b; 其中#xff0c;点通常被成为顶点(vertex)“#xff0c;而点与点之间的连线则被成为边或弧”(edege)。 通常记为#xff0c;G(V,E)。
图是一种重要的…一、图概述
定义
图(graph)是由一些点(vertex)和这些点之间的连线(edge)所组成的 其中点通常被成为顶点(vertex)“而点与点之间的连线则被成为边或弧”(edege)。 通常记为G(V,E)。
图是一种重要的数据结构基本概念包括顶点边有向无向权路径回路连通域邻接点度入边出边入度出度等等很好理解。
参考这篇博客http://www.cnblogs.com/skywang12345/p/3691463.html
二、图基础
2 图的分类
根据边是否有方向将图可以划分为无向图和有向图。
2.1.1 无向图
即两个顶点之间没有明确的指向关系只有一条边相连例如A顶点和B顶点之间可以表示为 A, B 也可以表示为B, A如下所示 上面的图G0是无向图无向图的所有的边都是不区分方向的。
我们用 **图 顶点集合{边集合}**来表示图。
G0(V1,{E1}) 其中
(01) V1{A,B,C,D,E,F}。 V1表示由A,B,C,D,E,F几个顶点组成的集合。
(02) E1{(A,B),(A,C),(B,C),(B,E),(B,F),(C,F), (C,D),(E,F),(C,E)}。 E1是由边(A,B),边(A,C)…等等组成的集合。其中(A,C)表示由顶点A和顶点C连接成的边。
2.2.2 有向图
顶点之间是有方向性的例如A和B顶点之间A指向了BB也指向了A两者是不同的如果给边赋予权重那么这种异同便更加显著了
上面的图G2是有向图。
和无向图不同有向图的所有的边都是有方向的 3、邻接点和度
3.1 邻接点
一条边上的两个顶点叫做邻接点。 例如上面无向图G0中的顶点A和顶点C就是邻接点。
在有向图中除了邻接点之外还有入边和出边的概念。 顶点的入边是指以该顶点为终点的边。而顶点的出边则是指以该顶点为起点的边。
例如上面有向图G2中的B和E是邻接点B,E是B的出边还是E的入边。
3.2 度
在无向图中某个顶点的度是邻接到该顶点的边(或弧)的数目。 例如上面无向图G0中顶点A的度是2。
在有向图中度还有入度和出度之分。 某个顶点的入度是指以该顶点为终点的边的数目。 而顶点的出度则是指以该顶点为起点的边的数目。顶点的度入度出度。
例如上面有向图G2中顶点B的入度是2出度是3顶点B的度235。
4、路径和回路
路径如果顶点(Vm)到顶点(Vn)之间存在一个顶点序列。则表示Vm到Vn是一条路径。 路径长度路径中边的数量。 简单路径若一条路径上顶点不重复出现则是简单路径。
回路若路径的第一个顶点和最后一个顶点相同则是回路。 简单回路第一个顶点和最后一个顶点相同其它各顶点都不重复的回路则是简单回路。
三、图的存储结构
上面了解了图的基本概念下面开始介绍图的存储结构。图的存储结构常用的是邻接矩阵和邻接表。
3.1 邻接矩阵
邻接矩阵是指用矩阵来表示图。它是采用矩阵来描述图中顶点之间的关系(及弧或边的权)。假设图中顶点数为n则邻接矩阵定义为
下面通过示意图来进行解释。
图中的G1是无向图和它对应的邻接矩阵。
图中的G2是有向图和它对应的邻接矩阵。 通常采用两个数组来实现邻接矩阵一个一维数组用来保存顶点信息一个二维数组来用保存边的信息。 邻接矩阵的缺点就是比较耗费空间。
3.2 邻接表
邻接表是图的一种链式存储表示方法。它是改进后的邻接矩阵它的缺点是不方便判断两个顶点之间是否有边但是相对邻接矩阵来说更省空间。 图中的G1是无向图和它对应的邻接矩阵。 图中的G2是无向图和它对应的邻接矩阵。
3.3 十字链表
对于邻接表来说计算顶点的入度是不方便的那么有没有一种存储方式能够轻松的计算顶点的入度和出度呢在十字链表中重新定义了节点的结构
3.4 使用
实际使用我们在拓扑排序中使用邻接矩阵来实现这是i个二维数组
首先定义一些属性用来存放节点数、顶点名称、排序后的顺序图关系矩阵
/*** 节点个数*/public int size;/*** 顶点名称*/char [] nodeName;/*** 排序后的顺序*/List result;/*** 图关系矩阵*/int [][] matrix;然后排序
// 排序public void tuopuSort() {System.out.println(\n);// 一个一维数组用来保存顶点的入度int indegree[] new int[size];boolean indegreeV[] new boolean[size];// 给入度输入值for(int i 0; i size; i ) {indegreeV[i] false;for (int j 0; j size; j ) {if (matrix[i][j] 1) {indegree[j] indegree[j] 1;}}}System.out.println(\n);//开始进行遍历LinkedListString nodes new LinkedListString();// 将入度为 0 的节点入队列for (int x 0; x size; x ) {if (indegree[x] 0) {System.out.println(nodeName[x]);nodes.add(String.valueOf(nodeName[x]));}}int j 0;while (!nodes.isEmpty()) {for (int x 0; x size; x ) {System.out.println(\n 数组 x x , );if (indegree[x] 0 !indegreeV[x]) {indegreeV[x] true;String s nodes.poll();System.out.println(add s);result.add(s);// 找到跟它相关的节点,入度 -1for (int y 0; y size; y ) {if (matrix[x][y] 1) {System.out.println(相关的节点 -1 y);indegree[y] indegree[y] - 1;if (indegree[y] 0) {System.out.println(相关的节点 -1 后 入度为0 nodeName[y]);nodes.add(String.valueOf(nodeName[y]));}}}} else {}}j ;}System.out.println(result);}四、图的遍历
深度优先遍历DFS 广度优先遍历BFS 详细请看另外一篇文章
参考文章 图的理论基础
