数据结构（Java语言实现） 课件 第6章 图

第6章图结构Java实据现数目录CONTENTS6.1

图的定义及相关概念6.2图的存储结构6.3图的遍历6.6最短路径6.4图的连通性问题6.5有向无环图6.7小结6.1图的定义及相关概念6.1.1图的定义图由数据元素集合与边的集合构成。数据元素常称为顶点（Vertex），顶点集合（V）不能为空，边（E）表示顶点之间的关系，用连线表示。图（G）的形式化定义为：G=(V,E)，其中，V={x|x∈数据元素集合}，E={<x,y>|Path(x,y)/\(x∈V,y∈V)}。Path(x,y)表示从x与y的关系属性。如果<x,y>∈E，则<x,y>表示从顶点x到顶点y的一条弧（Arc），x称为弧尾（Tail）或起始点（Initialnode），y称为弧头（Head）或终端点（Terminalnode）。6.1图的定义及相关概念6.1.1图的定义如果<x,y>∈E且有<y,x>∈E，则用无序对(x,y)代替有序对<x,y>和<y,x>，表示x与y之间存在一条边（Edge），将这样的图称为无向图。6.1图的定义及相关概念6.1.1图的定义对于无向图，边数e的取值范围为0~n(n-1)/2。将具有n(n-1)/2条边的无向图称为完全图。对于有向图，弧度e的取值范围是0~n(n-1)。将具有n(n-1)条弧的有向图称为有向完全图。具有e<nlogn条弧或边的图，称为稀疏图（Sparsegraph）。具有e>nlogn条弧或边的图，称为稠密图（Densegraph）。6.1图的定义及相关概念6.1.2图的相关概念1.邻接点在无向图G=(V,E)中，如果存在边(vi,vj)∈E，则称vi和vj互为邻接点（Adjacent），即vi和vj相互邻接。边(vi,vj)依附于顶点vi和vj，或者称边(vi,vj)与顶点vi和vj相互关联。2.顶点的度在无向图中，顶点v的度是指与v相关联的边的数目，记作TD(v)。在有向图中，以顶点v为弧头的数目称为顶点v的入度（InDegree），记作ID(v)。以顶点v为弧尾的数目称为v的出度（OutDegree），记作OD(v)。顶点v的度为以v为顶点的入度和出度之和，即TD(v)=ID(v)+OD(v)。6.1图的定义及相关概念6.1.2图的相关概念3.路径在图中，从顶点vi出发经过一系列的顶点序列到达顶点vj称为从顶点vi到vj的路径（Path）。路径的长度是路径上弧或边的数目。4.子图假设存在两个图G={V,E}和G’={V’,E’}，如果G’的顶点和关系都是V的子集，即有V’V，E’E，则G’为G的子图。6.1图的定义及相关概念6.1.2图的相关概念5.连通图和强连通图在无向图中，如果从顶点vi到顶点vj存在路径，则称顶点vi到vj是连通的。推广到图的所有顶点，如果图中的任何两个顶点之间都是连通的，则称图是连通图（ConnectedGraph）。无向图中的极大连通子图称为连通分量（ConnectedComponent）。6.1图的定义及相关概念6.1.2图的相关概念6.生成树一个连通图（假设有n个顶点）的生成树是一个极小连通子图，它含有图中的全部顶点，但只有足以构成一棵树的n-1条边。6.1图的定义及相关概念6.1.2图的相关概念7.网在实际应用中，图的边或弧往往与具有一定意义的数有关，即每一条边都有与它相关的数，称为权，这些权可以表示从一个顶点到另一个顶点的距离或花费等信息。这种带权的图称为带权图或网。一个网如图6.6所示。6.1图的定义及相关概念6.1.3图的抽象数据类型7.网在实际应用中，图的边或弧往往与具有一定意义的数有关，即每一条边都有与它相关的数，称为权，这些权可以表示从一个顶点到另一个顶点的距离或花费等信息。这种带权的图称为带权图或网。一个网如图6.6所示。ADTGraph{

数据对象V：V是具有相同特性的数据元素的集合，称为顶点集。数据关系R：R={VR}VR={<x,y>|x,y∈V且P(x,y>，<x,y>表示从x到y的弧，谓词P(x,y>定义了弧<x,y>的意义或信息}6.1图的定义及相关概念6.1.3图的抽象数据类型基本操作：

（1）CreateGraph(&G)

初始条件：图G不存在。

操作结果：创建一个图G。

（2）DestroyGraph(&T)

初始条件：图G存在。

操作结果：销毁图G。

（3）LocateVertex(G,v)

初始条件：图G存在，顶点v合法。

操作结果：若图G存在顶点v，则返回顶点v在图G中的位置。若图G中没有顶点v，则函数返回值为空。

（4）GetVertex(G,i)

初始条件：图G存在。

操作结果：返回图G中序号i对应的值。i是图G某个顶点的序号，返回图G中序号i对应的值。6.1图的定义及相关概念6.1.3图的抽象数据类型（5）FirstAdjVertex(G,v)

初始条件：图G存在，顶点v的值合法。操作结果：返回图G中v的第一个邻接顶点。若v无邻接顶点或图G中无顶点v，则函数返回-1。（6）NextAdjVertex(G,v,w)

初始条件：图G存在，w是图G中顶点v的某个邻接顶点。操作结果：返回顶点v的下一个邻接顶点。若w是v的最后一个邻接顶点，则函数返回-1。（11）DFSTraverseGraph(G)

初始条件：图G存在。操作结果：从图中的某个顶点出发，对图进行深度遍历。（12）BFSTraverseGraph(G)

初始条件：图G存在。操作结果：从图中的某个顶点出发，对图进行广度遍历。}ADTGraph6.2图的存储结构6.2.1邻接矩阵表示法图的邻接矩阵表示（AdjacencyMatrix）也称为数组表示。它采用两个数组来表示图：一个是用于存储顶点信息的一维数组，另一个是用于存储图中顶点之间的关联关系的二维数组，这个关联关系数组称为邻接矩阵。6.2图的存储结构学习基础学习认知能力两个图弧和边的集合分别为A={<A,B>,<A,C>,<A,D>,<C,A>,<C,B>,<D,A>}和E={(A,B),(A,D),(B,C),(B,D),(C,D)}。它们的邻接矩阵表示如图6.7所示。6.2图的存储结构学习基础学习认知能力enumKind{DG,DN,UG,UN}//图的类型publicclassMGraph{Stringvex[];

//用于存储顶点

doublearc[][];

//邻接矩阵，存储边或弧的信息

intvexnum,arcnum;//顶点数#边（弧）的数目

Kindkind;//图的类型

finalintMAXSIZE=20;}带权图的邻接矩阵表示如图6.8所示。MGraph(){vex=newString[MAXSIZE];arc=newdouble[MAXSIZE][MAXSIZE];arcnum=0;vexnum=0;kind=Kind.UG;}6.2图的存储结构学习基础学习认知能力表头结点有两个域组成：数据域和指针域。其中，数据域用来存放顶点信息，指针域用来指向边表中的第一个结点。通常情况下，表头结点采用顺序存储结构实现，边表结点由三个域组成：邻接点域、数据域和指针域。6.2.2邻接表表示法6.2图的存储结构学习基础学习认知能力6.2.2邻接表表示法图6.1所示的两个图G1和G2用邻接表表示如图6.11所示。图6.8所示的带权图用邻接表表示如图6.12所示。6.2图的存储结构图的邻接表存储结构描述如下：enumGKind{DG,DN,UG,UN}//图的类型classArcNode//边结点的类型定义{intadjvex;//弧指向的顶点的位置

ArcNodenextarc;//指示下一个与该顶点相邻接的顶点

Stringinfo;//与弧相关的信息

ArcNode(intadjvex){this.adjvex=adjvex;this.nextarc=null;}}classVNode//头结点的类型定义{Stringdata;ArcNodefirstarc;VNode(Stringdata){this.data=data;//用于存储顶点

this.firstarc=null;

//指向第一个与该顶点邻接的顶点

}}classAdjGraph//图的类型定义{finalintMAXSIZE=20;VNodevertex[];intvexnum,arcnum;//图的顶点数目、弧的数目

GKindkind;AdjGraph()

{vertex=newVNode[MAXSIZE];vexnum=0;arcnum=0;kind=GKind.UG;}6.2图的存储结构图6.1所示的有向图G1的逆邻接链表如图6.13所示。求某个顶点的入度，需要建立一个有向图的逆邻接链表，也就是为每个顶点vi建立一个以vi为弧头的链表。6.2图的存储结构【例6.2】编写算法，采用邻接表创建一个无向图G。for(k=0;k<arcnum;k++)//建立边链表

{Stringv[]=sc.nextLine().split("");inti=LocateVertex(v[0]);intj=LocateVertex(v[1]);//j为入边i为出边创建邻接表

ArcNodep=newArcNode(j);p.nextarc=vertex[i].firstarc;vertex[i].firstarc=p;//i为入边j为出边创建邻接表

p=newArcNode(i);p.nextarc=vertex[j].firstarc;vertex[j].firstarc=p;}6.2图的存储结构6.2.3十字链表十字链表是有向图的又一种链式存储结构。在十字链表中，将表头结点称为顶点结点，边结点称为弧结点。其中，顶点结点包含三个域：数据域和两个指针域。两个指针域，一个指向以顶点为弧头顶点，另一个指向以顶点为弧尾的顶点，数据域存放顶点的信息。6.2图的存储结构6.2.4邻接多重表邻接多重表（AdjacencyMulti_list）表示是无向图的另一种链式存储结构。顶点结点由两个域构成：data域和firstedge域。数据域data用于存储顶点的数据信息，firstedga域指示依附于顶点的第一条边。边结点包含六个域：mark域、ivex域、ilink域、jvex域、jlink域和info域。6.2图的遍历6.2.1图的深度优先遍历1.图的深度遍历的定义图的深度优先遍历是树的先根遍历的推广。图的深度优先遍历的思想是：从图中某个顶点v0出发，访问顶点v0的第一个邻接点，然后以该邻接点为新的顶点，访问该顶点的邻接点。重复执行以上操作，直到当前顶点没有邻接点为止。图的深度优先遍历的序列为：A、B、E、F、C、D、G、H、I。6.3图的遍历6.3.1图的深度优先搜索遍历publicvoidDFSTraverse(intvisited[])

//从第1个顶点起，深度优先遍历图

{

for(intv=0;v<vexnum;v++)

visited[v]=0;//访问标志数组初始化为未被访问

for(intv=0;v<vexnum;v++)

{

if(visited[v]==0)

DFS(v,visited);

//对未访问的顶点v进行深度优先遍历

}

System.out.println();

}

publicvoidDFS(intv,intvisited[])//从顶点v出发递归深度优先遍历图{visited[v]=1;//访问标志设置为已访问

System.out.print(vertex[v].data+"");//访问第v个顶点

intw=FirstAdjVertex(vertex[v].data);while(w>=0){if(visited[w]==0)DFS(w,visited);//递归调用DFS对v的尚未访问的序号为w的邻接顶点

w=NextAdjVertex(vertex[v].data,vertex[w].data);}}6.3图的遍历6.3.2图的广度优先遍历1.图的广度优先遍历的定义从图的某个顶点v出发，首先访问顶点v，然后按照次序访问顶点v的未被访问的每一个邻接点，接着访问这些邻接点的邻接点，并保证先被访问的邻接点的邻接点先访问，后被访问的邻接点的邻接点后访问的原则，依次访问邻接点的邻接点。例如，图G6的广度优先遍历的过程如图6.19所示。其中，箭头表示广度遍历的方向，图中的数字表示遍历的次序。6.3图的遍历图的广度优先搜索遍历

while(front<rear)//如果队列不空

{front=(front+1)%MaxSize;v=queue[front];//队头元素出队赋值给vArcNodep=vertex[v].firstarc;while(p!=null)//遍历序号为v的所有邻接点

{if(visited[p.adjvex]==0)//如果该顶点未被访问过

{visited[p.adjvex]=1;System.out.print(vertex[p.adjvex].data+"");rear=(rear+1)%MaxSize;queue[rear]=p.adjvex;}p=p.nextarc;//p指向下一个邻接点

}6.4图的连通性问题6.4.1无向图的连通分量与生成树图G3进行深度优先搜索遍历，得到的序列为：A、B、C、D、I、E和F、G、H。6.4图的连通性问题从某一个顶点出发，对图进行广度优先遍历，得到的生成树称为广度优先生成树。图6.21所示就是对应图G6的深度优先生成树和广度优先生成树。对于非连通图而言，从某一个顶点出发，对图进行深度优先遍历或者广度优先遍历，按照访问路径会得到一系列的生成树，这些生成树在一起构成生成森林。6.4图的连通性问题最小生成树就是指在一个连通网的所有生成树中，其中所有边的代价之和的那棵生成树。6.4.2最小生成树假设一个连通网N=(V,E)，V是顶点的集合，E是边的集合，V有一个非空子集U。如果(u,v)是一条具有最小权值的边，其中，u∈U、v∈V-U，那么一定存在一个最小生成树包含边(u,v)。6.4图的连通性问题普里姆算法描述如下：假设N={V,E}是连通网，TE是N的最小生成树边的集合。执行以下操作：（1）初始时，令U={u0}(u0∈V)、TE=。（2）对于所有的边u∈U，v∈V-U的边(u,v)∈E，将一条代价最小的边(u0,v0)放到集合TE中，同时将顶点v0放进集合U中。（3）重复执行步骤（2），直到U=V为止。这时，边集合TE一定有n-1条边，T={V,TE}就是连通网N的最小生成树。1.普里姆算法6.4图的连通性问题例如，图6.23所示就是利用普里姆算法构造最小生成树的过程。6.4图的连通性问题需要设置一个数组closeedge[MaxSize]，用来保存U到V-U最小代价的边。对于每个顶点v∈V-U，在数组中存在一个分量closeedge[v]，它包括两个域adjvex和lowcost，其中，adjvex域用来表示该边中属于U中的顶点，lowcost域存储该边对应的权值。closeedge[v].lowcost=Min({cost(u,v)|u∈U})6.4图的连通性问题publicvoidPrim(MGraphM,Stringu,CloseEdgecloseedge[])

//利用Prim算法求从第u个顶点出发构造网G的最小生成树

{

intk=M.LocateVertex(u);//k为顶点u对应的序号

intm=0;

for(intj=0;j<M.vexnum;j++)//数组初始化

{

CloseEdgeclose_edge=newCloseEdge(u,M.arc[k][j]);

closeedge[m++]=close_edge;}

closeedge[k].lowcost=0;//初始时集合U只包括顶点u

System.out.println("最小代价生成树的各条边为:");

for(inti=1;i<M.vexnum;i++)//选择剩下的M.vexnum-1个顶点

{k=MiniNum(M,closeedge);//k为与U中顶点相邻接的下一个顶点的序号

System.out.print("("+closeedge[k].adjvex+"-"+M.vex[k]+")");//输出边

closeedge[k].lowcost=0;//第k顶点并入U集

for(intj=0;j<M.vexnum;j++){

if(M.arc[k][j]<closeedge[j].lowcost)//将最小边存入到列表

{

closeedge[j].adjvex=M.vex[k];

closeedge[j].lowcost=M.arc[k][j];}

}

}

}6.4图的连通性问题2.克鲁斯卡尔算法克鲁斯卡尔算法的基本思想是：假设N={V,E}是连通网，TE是N的最小生成树边的集合。执行以下操作：（1）初始时，最小生成树中只有n个顶点，这n个顶点分别属于不同的集合，而边的集合TE=。（2）从连通网N中选择一个代价最小的边，如果边所依附的两个顶点在不同的集合中，将该边加入到最小生成树TE中，并将该边依附的两个顶点合并到同一个集合中。（3）重复执行步骤（2），直到所有的顶点都属于同一个顶点集合为止。6.4图的连通性问题例如，图6.26所示就是利用卡鲁斯卡尔算法构造最小生成树的过程。6.5有向无环图1.AOV网在每一个工程过程中，可以将工程分为若干个子工程，这些子工程称为活动。如果用图中的顶点表示活动，以有向图的弧表示活动之间的优先关系，这样的有向图称为AOV网，即顶点表示活动的网。6.5.1AOV网与拓扑排序6.5有向无环图对AOV网进行拓扑排序的方法如下：（1）在AOV网中任意选择一个没有前驱的顶点即顶点入度为零，将该顶点输出。（2）从AOV网中删除该顶点，以及从该顶点出发的弧。（3）重复执行步骤（1）和（2），直到AOV网中所有顶点都已经被输出，或者AOV网中不存在无前驱的顶点为止。按照以上步骤，图6.26所示的AOV网的拓扑序列为：(C1,C2,C3,C4,C5,C6,C7,C8,C9,C10)或(C6,C7,C8,C9,C1,C2,C3,C4,C5,C10)拓扑排序6.5有向无环图图6.28所示是AOV网的拓扑序列的构造过程，其拓扑序列为：V1、V2、V3、V5、V4、V6。6.5有向无环图采用邻接表存储结构的AOV网的拓扑排序的算法实现：遍历邻接表，将各个顶点的入度保存在数组indegree中。将入度为零的顶点入栈，依次将栈顶元素出栈并输出该顶点，对该顶点的邻接顶点的入度减1，如果邻接顶点的入度为零，则入栈，否则，将下一个邻接顶点的入度减1并进行相同的处理。然后继续将栈中元素出栈，重复执行以上操作，直到栈空为止。拓扑排序while(!S.StackEmpty())//如果栈S不为空

{inti=S.PopStack();//从栈S将已拓扑排序的顶点i弹出

System.out.print(G.vertex[i].data+"");count+=1;//对入栈T的顶点计数

ArcNodep=G.vertex[i].firstarc;while(p!=null)//处理编号为i的顶点的每个邻接点

{intk=p.adjvex;//顶点序号为kindegree[k]-=1;if(indegree[k]==0)//如果k的入度减1后变为0，则将k入栈SS.PushStack(k);p=p.nextarc;}}6.5有向无环图.AOE网AOE网是一个带权的有向无环图。其中，用顶点表示事件，弧表示活动，权值表示两个活动持续的时间。AOE网是以边表示活动的网（ActivityOnEdgeNetwork）。图6.29所示是一个具有10个活动、8个事件的AOE网。v1、v2、…、v8表示8个事件，<v1,v2>、<v1,v3>、…、<v7,v8>表示10个活动，a1、a2、…、a10表示活动的执行时间。进入顶点的有向弧表示的活动已经完成，从顶点出发的有向弧表示的活动可以开始。顶点v1表示整个工程的开始，v8表示整个工程的结束。顶点v5表示活动a4、a5、a6已经完成，活动a7和a8可以开始。其中，完成活动a5和活动a6分别需要5天和6天。6.5.2AOE网与关键路径6.5有向无环图2.关键路径关键路径是指在AOE网中从源点到汇点路径最长的路径。这里的路径长度是指路径上各个活动持续时间之和。在AOE网中，有些活动是可以并行执行的。关键路径其实就是完成工程的最短时间所经过的路径，关键路径上的活动称为关键活动。（1）事件vi的最早发生时间：从源点到顶点vi的最长路径长度，称为事件vi的最早发生时间，记作ve(i)。求解ve(i)可以从源点ve(0)=0开始，按照拓扑排序规则根据递推得到：ve(i)=Max{ve(k)+dut(<k,i>)|<k,i>∈T,1≤i≤n-1}6.5有向无环图（2）事件vi的最晚发生时间：在保证整个工程完成的前提下，活动必须最迟的开始时间，记作vl(i)。在求解事件vi的最早发生时间ve(i)的前提vl(n-1)=ve(n-1)下，从汇点开始，向源点推进得到vl(i)：vl(i)=Min{vl(k)-dut(<i,k>)|<i,k>∈S,0≤i≤n-2}（3）活动ai的最早开始时间e(i)：如果弧<vk,vj>表示活动ai，当事件vk发生之后，活动ai才开始。因此，事件vk的最早发生时间也就是活动ai的最早开始时间，即e(i)=ve(k)。（4）活动ai的最晚开始时间l(i)：在不推迟整个工程完成时间的基础上，活动ai最迟必须开始的时间。如果弧<vk,vj>表示活动ai，持续时间为dut(<k,j>)，则活动ai的最晚开始时间l(i)=vl(j)-dut(<k,j>)。6.5有向无环图求AOE网的关键路径的算法如下：（1）对AOE网中的顶点进行拓扑排序，如果得到的拓扑序列顶点个数小于网中顶点数，则说明网中有环存在，不能求关键路径，终止算法；否则，从源点v0开始，求出各个顶点的最早发生时间ve(i)。（2）从汇点vn出发vl(n-1)=ve(n-1)，按照逆拓扑序列求其他顶点的最晚发生时间vl(i)。（3）由各顶点的最早发生时间ve(i)和最晚发生时间vl(i)，求出每个活动ai的最早开始时间e(i)和最晚开始时间l(i)。（4）找出所有满足条件e(i)=l(i)的活动ai，ai即是关键活动。6.5有向无环图利用求AOE网的关键路径的算法，图6.29所示的网中顶点对应事件最早发生时间ve、最晚发生时间vl以及及弧对应活动最早发生时间e、最晚发生时间如图6.30所示。网的关键路径是(v1,v2,v5,v6,v8)，关键活动是a1、a4、a7和a9。6.6最短路径6.6.1从某个顶点到其余各顶点的最短路径1.从某个顶点到其他顶点的最短路径算法思想假设从有向图的顶点v0出发到其余各个顶点的最短路径。带权有向图G7及从v0出发到其他各个顶点的最短路径如图6.31所示。6.6最短路径从顶点v0到顶点v2有两条路径：(v0,v1,v2)和(v0,v2)。其中，前者的路径长度为70，后者的路径长度为60。因此，(v0,v2)是从顶点v0到顶点v2的最短路径。从顶点v0到顶点v3有三条路径：(v0,v1,v2,v3)、(v0,v2,v3)和(v0,v1,v3)。其中，第一条路径长度为120，第二条路径长度为110，第三条路径长度为130。因此，(v0,v2,v3)是从顶点v0到顶点v3的最短路径。6.6最短路径设有一个带权有向图D=(V,E)，定义一个数组dist，数组中的每个元素dist[i]表示顶点v0到顶点vi的最短路径长度，则长度为dist[j]=Min{dist[i]|vi∈V}的路径，表示从顶点v0出发到顶点vj的最短路径。也就是说，在所有的顶点v0到顶点vj的路径中，dist[j]是最短的一条路径。而数组dist的初始状态是：如果从顶点v0到顶点vi存在弧，则dist[i]是弧<v0,vj>的权值，否则dist[j]的值为∞。6.6最短路径迪杰斯特拉算法求解最短路径步骤如下（用邻接矩阵存储）：（1）初始时，S只包括源点v0，即S={v0}，V-S包括除v0以外的图中的其他顶点。v0到其他顶点的路径初始化为dist[i]=G.arc[0][i].adj。（2）选择距离顶点vi最短的顶点vj，使得dist[j]=Min{dist[i]|vi∈V-S}dist[j]表示从v0到vj最短路径长度，vj表示对应的终点。（3）修改从v0到到顶点vi的最短路径长度，其中vi∈V-S。如果有dist[k]+G.arc[k][i]<dist[i]，则修改dist[i]，使得dist[i]=dist[k]+G.arc[k][i].adj。（4）重复执行步骤（2）和（3），直到所有从v0到其他顶点的最短路径长度求出。。6.6最短路径对图6.31所示的图G7求解从顶点v0到其他顶点的最短路径，求解过程如图6.32所示。6.6最短路径6.6.2每一对顶点之间的最短路径弗洛伊