本文是我對演算法的簡短評論的延續。這是第一部分的連結。 之前,我們了解了各種數組排序演算法和所謂的貪心演算法。今天我們來談談圖以及與之相關的演算法。圖是程式設計中最靈活、最通用的結構之一。 圖 G通常使用一對集合G = (V, R)來指定,其中:
- V是頂點集;
- R是連接頂點對的線的集合。
3.路徑搜尋演算法(深度、寬度)
對圖執行的基本操作之一是確定從給定頂點可到達的所有頂點。想像一下,您正在嘗試確定如何透過可能的轉乘從一個城市前往另一個城市。有的城市可以直達,有的則需要繞道其他城市。在許多其他情況下,可能需要找到從給定頂點到可以找到路徑的所有頂點。所以,圖的遍歷主要有兩種方式:深度優先遍歷和廣度優先遍歷,我們將考慮這兩種方法。兩種方法都將確保迭代所有連接的頂點。為了進一步考慮深度優先和廣度優先演算法,請看下圖:深度優先遍歷
這是最常見的圖遍歷方法之一。這種深度優先搜尋策略包括盡可能「深入」圖,當到達死胡同時,返回到具有先前未訪問過的相鄰頂點的最近頂點。該演算法在堆疊上儲存有關達到死鎖時返回位置的資訊。深度優先遍歷的規則:- 訪問一個相鄰的、以前未訪問過的頂點,對其進行標記並將其放入堆疊中。
- 走向這個巔峰。
- 重複步驟 1。
- 如果不可能完成步驟1,則回到前一個頂點並嘗試重複規則1。如果不可能,則回到它之前的頂點,依此類推,直到找到可以繼續遍歷的頂點。
- 繼續,直到所有頂點都在堆疊上。
public class Graph {
private final int MAX_VERTS = 10;
private Vertex vertexArray[]; //массив вершин
private int adjMat[][]; // матрица смежности
private int nVerts; // текущее количество вершин
private Stack<integer> stack;
public Graph() { // инициализация внутрених полей
vertexArray = new Vertex[MAX_VERTS];
adjMat = new int[MAX_VERTS][MAX_VERTS];
nVerts = 0;
for (int j = 0; j < MAX_VERTS; j++) {
for (int k = 0; k < MAX_VERTS; k++) {
adjMat[j][k] = 0;
}
}
stack = new Stack<>();
}
public void addVertex(char lab) {
vertexArray[nVerts++] = new Vertex(lab);
}
public void addEdge(int start, int end) {
adjMat[start][end] = 1;
adjMat[end][start] = 1;
}
public void displayVertex(int v) {
System.out.println(vertexArray[v].getLabel());
}
public void dfs() { // обход в глубину
vertexArray[0].setWasVisited(true); // берётся первая вершина
displayVertex(0);
stack.push(0);
while (!stack.empty()) {
int v = getAdjUnvisitedVertex(stack.peek()); // вынуть индекс смежной веришины, еckи есть 1, нету -1
if (v == -1) { // если непройденных смежных вершин нету
stack.pop(); // элемент извлекается из стека
}
else {
vertexArray[v].setWasVisited(true);
displayVertex(v);
stack.push(v); // элемент попадает на вершину стека
}
}
for (int j = 0; j < nVerts; j++) { // сброс флагов
vertexArray[j].wasVisited = false;
}
}
private int getAdjUnvisitedVertex(int v) {
for (int j = 0; j < nVerts; j++) {
if (adjMat[v][j] == 1 && vertexArray[j].wasVisited == false) {
return j; //возвращает первую найденную вершину
}
}
return -1;
}
}
</integer>
頂部看起來像:
public class Vertex {
private char label; // метка А например
public boolean wasVisited;
public Vertex(final char label) {
this.label = label;
wasVisited = false;
}
public char getLabel() {
return this.label;
}
public boolean isWasVisited() {
return this.wasVisited;
}
public void setWasVisited(final boolean wasVisited) {
this.wasVisited = wasVisited;
}
}
讓我們用特定的頂點來運行這個演算法,看看它是否正常運作:
public class Solution {
public static void main(String[] args) {
Graph graph = new Graph();
graph.addVertex('A'); //0
graph.addVertex('B'); //1
graph.addVertex('C'); //2
graph.addVertex('D'); //3
graph.addVertex('E'); //4
graph.addVertex('F'); //5
graph.addVertex('G'); //6
graph.addEdge(0,1);
graph.addEdge(0,2);
graph.addEdge(0,3);
graph.addEdge(1,4);
graph.addEdge(3,5);
graph.addEdge(5,6);
System.out.println("Visits: ");
graph.dfs();
}
}
控制台輸出:
瀏覽次數:A B E C D F G
由於我們有一個鄰接矩陣,並且在 walk 方法中我們使用嵌套在循環中的循環,因此時間複雜度將為O(N²)。
步行寬度
此演算法與深度優先遍歷一樣,是遍歷圖的最簡單、最基本的方法之一。它的本質是,我們有一個特定的當前頂點,我們將所有相鄰的、未遍歷的頂點放入隊列中,並選擇下一個元素(隊列中第一個存儲的)使其成為當前...如果我們將這個演算法分解為階段,我們可以強調以下規則:- 訪問與當前頂點相鄰的下一個、之前未訪問過的頂點,提前標記它並將其添加到佇列中。
- 如果無法滿足規則#1,則從佇列中刪除該頂點並將其設為目前頂點。
- 如果規則 #1 和規則 #2 不可能,則遍歷完成並且所有頂點都已遍歷(如果我們的圖是連通的)。
public class Graph {
private final int MAX_VERTS = 10;
private Vertex vertexList[]; //массив вершин
private int adjMat[][]; // матрица смежности
private int nVerts; // текущее количество вершин
private Queue<integer> queue;
public Graph() {
vertexList = new Vertex[MAX_VERTS];
adjMat = new int[MAX_VERTS][MAX_VERTS];
nVerts = 0;
for (int j = 0; j < MAX_VERTS; j++) {
for (int k = 0; k < MAX_VERTS; k++) { // заполнение матрицы смежности нулями
adjMat[j][k] = 0;
}
}
queue = new PriorityQueue<>();
}
public void addVertex(char lab) {
vertexList[nVerts++] = new Vertex(lab);
}
public void addEdge(int start, int end) {
adjMat[start][end] = 1;
adjMat[end][start] = 1;
}
public void displayVertex(int v) {
System.out.println(vertexList[v].getLabel());
}
public void bfc() { // обход в глубину
vertexList[0].setWasVisited(true);
displayVertex(0);
queue.add(0);
int v2;
while (!queue.isEmpty()) {
int v = queue.remove();
while((v2 = getAdjUnvisitedVertex(v))!=-1) {// цикл будет работать, пока все смежные вершины не будут найденны, и не будут добавлены в очередь
vertexList[v2].wasVisited =true;
displayVertex(v2);
queue.add(v2);
}
}
for (int j = 0; j < nVerts; j++) { // сброс флагов
vertexList[j].wasVisited = false;
}
}
private int getAdjUnvisitedVertex(int v) {
for (int j = 0; j < nVerts; j++) {
if (adjMat[v][j] == 1 && vertexList[j].wasVisited == false) {
return j; //возвращает первую найденную вершину
}
}
return -1;
}
}
</integer>
Vertex 類別與深度優先搜尋演算法中的類別相同。讓我們將這個演算法付諸實現:
public class Solution {
public static void main(String[] args) {
Graph graph = new Graph();
graph.addVertex('A'); //0
graph.addVertex('B'); //1
graph.addVertex('C'); //2
graph.addVertex('D'); //3
graph.addVertex('E'); //4
graph.addVertex('F'); //5
graph.addVertex('G'); //6
graph.addEdge(0,1);
graph.addEdge(0,2);
graph.addEdge(0,3);
graph.addEdge(1,4);
graph.addEdge(3,5);
graph.addEdge(5,6);
System.out.println("Visits: ");
graph.bfc();
}
}
控制台輸出:
瀏覽次數:A B C D E F G
再次強調:我們有一個鄰接矩陣並使用嵌套在循環中的循環,因此O(N²)是上述演算法的時間複雜度。
4.Dijkstra演算法
如前所述,圖可以是有向的,也可以是無向的。正如您所記得的,它們仍然可以被加權。加權有向圖在現實生活中經常出現:例如,一張城市地圖,其中城市是頂點,城市之間的路徑是道路,道路可以有單向交通——圖的方向。假設您從事貨物運輸,需要創建兩個遙遠城市之間的最短路線。你將如何做到這一點?涉及加權圖的最常見問題之一是選擇兩個頂點之間的最短路徑問題。為了解決這個問題我們使用Dijkstra演算法。我想立即指出,透過執行 Dijkstra 演算法,我們將找出從給定的初始頂點到所有頂點的最短路徑。這個演算法有哪幾個階段?我將嘗試回答這個問題。 Dijkstra 演算法的階段:- 第 1 階段:搜尋節點,過渡到該節點的成本最小。您站在一開始,想知道要去哪裡:節點A還是節點B。到達每個節點需要多長時間?
- 第2階段:計算當沿著B的一邊移動時,到達B的所有尚未受演算法影響的鄰居需要多少時間。如果新的時間小於舊的時間,則通過邊 B 的路徑將成為該頂點的新的最短路徑。
- 第 3 階段:將頂點 B 標記為通過。
- 步驟 4:轉到步驟 1。
- 對於頂點A,有 3 條可能的路徑:到B的權重為 3、到C的權重為 5、到D的權重為 7。根據演算法的第一點,我們選擇具有最低轉移的節點成本-B .
- 由於B唯一未遍歷的相鄰頂點是頂點E,因此我們檢查穿過該頂點時的路徑是什麼。3( AB )+6( BE )=9。
因此,我們注意到目前到 AE 的最短路徑 = 9。
- 由於我們對頂點B 的處理已經完成,因此我們繼續選擇下一個頂點,其先前的邊權重最小。
從頂點A和B可以得到頂點D (7)、C (5)、E (6)。
C的邊權重最小,所以我們繼續移動到這個頂點。
- 接下來,和之前一樣,我們找出經過 C 時到達相鄰頂點的最短路徑:
- AD = 5( AC ) + 3( CD ) = 8,但由於先前的最短路徑AC = 7,即小於通過C的這條最短路徑,因此我們保持最短路徑AD = 7 不變。
- CE = 5( AC ) + 4( CE ) = 9,這條新的最短路徑等於前一條,所以我們也維持不變。
- 從最近的可用頂點E和D中,我們選擇邊權重最小的頂點,即D (3)。
- 我們找出其鄰居F的 最短路徑。
AF = 7( AD ) + 3( DF ) = 10
- 從最近可用的頂點E和F中,我們選擇邊權重最小的頂點,即F (3)。
- 我們找出其鄰居 G的最短路徑。
AG = 7( AD ) + 3( DF ) + 4( FG ) = 14
實際上,這裡我們已經找到了從A到G的路徑。
但為了確保它是最短的,我們還必須對頂點E運行我們的步驟。
- 由於頂點G沒有有向路徑所通往的相鄰頂點,因此我們只剩下頂點E:我們選擇它。
- 我們找出到鄰居的最短路徑- G。
AG = 3( AB ) + 6( BE ) + 6( EG ) = 15,這條路徑比之前最短的 AG(14) 更長,所以我們保持這條路徑不變。
由於沒有從G引出的頂點,因此為給定頂點運行階段是沒有意義的。因此,演算法的工作可以認為已經完成。
public class Vertex {
private char label;
private boolean isInTree;
public Vertex(char label) {
this.label = label;
this.isInTree = false;
}
public char getLabel() {
return label;
}
public void setLabel(char label) {
this.label = label;
}
public boolean isInTree() {
return isInTree;
}
public void setInTree(boolean inTree) {
isInTree = inTree;
}
}
頂點類別實際上與深度優先和廣度優先搜尋中的頂點類別相同。為了顯示最短路徑,我們需要一個新類別來包含我們需要的資料:
public class Path { // an object данного класса содержащий расстояние и предыдущие и пройденные вершины
private int distance; // текущая дистанция от начальной вершины
private List<integer> parentVertices; // текущий родитель вершины
public Path(int distance) {
this.distance = distance;
this.parentVertices = new ArrayList<>();
}
public int getDistance() {
return distance;
}
public void setDistance(int distance) {
this.distance = distance;
}
public List<integer> getParentVertices() {
return parentVertices;
}
public void setParentVertices(List<integer> parentVertices) {
this.parentVertices = parentVertices;
}
}
</integer></integer></integer>
在這個類別中,我們可以看到路徑的總距離以及經過最短路徑時將要覆蓋的頂點。現在我想考慮實際上發生圖的最短遍歷的類別。所以,圖類:
public class Graph {
private final int MAX_VERTS = 10;// максимальное количество вершин
private final int INFINITY = 100000000; // это число у нас будет служить в качестве "бесконечности"
private Vertex vertexList[]; // список вершин
private int relationMatrix[][]; // матрица связей вершин
private int countOfVertices; // текущее количество вершин
private int countOfVertexInTree; // количество рассмотренных вершин в дереве
private List<path> shortestPaths; // список данных кратчайших путей
private int currentVertex; // текущая вершина
private int startToCurrent; //расстояние до currentVertex
public Graph() {
vertexList = new Vertex[MAX_VERTS]; // матрица смежности
relationMatrix = new int[MAX_VERTS][MAX_VERTS];
countOfVertices = 0;
countOfVertexInTree = 0;
for (int i = 0; i < MAX_VERTS; i++) {// матрица смежности заполняется
for (int k = 0; k < MAX_VERTS; k++) { // бесконечными расстояниями
relationMatrix[i][k] = INFINITY; // задания значений по умолчанию
shortestPaths = new ArrayList<>();// задается пустым
}
}
}
public void addVertex(char lab) {// задание новых вершин
vertexList[countOfVertices++] = new Vertex(lab);
}
public void addEdge(int start, int end, int weight) {
relationMatrix[start][end] = weight; // задание ребер между вершинами, с весом между ними
}
public void path() { // выбор кратчайшего пути
// задание данных для стартовой вершины
int startTree = 0; // стартуем с вершины 0
vertexList[startTree].setInTree(true); // включение в состав дерева первого element
countOfVertexInTree = 1;
// заполнение коротких путей для вершин смежных с стартовой
for (int i = 0; i < countOfVertices; i++) {
int tempDist = relationMatrix[startTree][i];
Path path = new Path(tempDist);
path.getParentVertices().add(0);// первым родительским элементом, будет всегда стартовая вершина
shortestPaths.add(path);
}
// пока все вершины не окажутся в дереве
while (countOfVertexInTree < countOfVertices) { // выполняем, пока количество вершин в дереве не сравняется с общим количеством вершин
int indexMin = getMin();//получаем индекс вершины с наименшей дистанцией, из вершин еще не входящих в дерево
int minDist = shortestPaths.get(indexMin).getDistance();// минимальная дистанция вершины, из тек которые ещё не в дереве
if (minDist == INFINITY) {
System.out.println("В графе пристувствуют недостижимые вершины");
break;// в случае если остались непройденными только недостижимые вершины, мы выходим из цикла
} else {
currentVertex = indexMin; // переводим указатель currentVert к текущей вершине
startToCurrent = shortestPaths.get(indexMin).getDistance();// задаем дистанцию к текущей вершине
}
vertexList[currentVertex].setInTree(true); //включение текущей вершины в дерево
countOfVertexInTree++; // увеличиваем счетчик вершин в дереве
updateShortestPaths(); // обновление списка кратчайших путей
}
displayPaths(); // выводим в консоль результаты
}
public void clean() { // очиска дерева
countOfVertexInTree = 0;
for (int i = 0; i < countOfVertices; i++) {
vertexList[i].setInTree(false);
}
}
private int getMin() {
int minDist = INFINITY; // за точку старта взята "бесконечная" длина
int indexMin = 0;
for (int i = 1; i < countOfVertices; i++) {// для каждой вершины
if (!vertexList[i].isInTree() && shortestPaths.get(i).getDistance() < minDist) { // если вершина ещё не ве дереве и её растояние меньше старого минимума
minDist = shortestPaths.get(i).getDistance(); // задаётся новый минимум
indexMin = i; // обновление индекса вершины содержащую минимаьную дистанцию
}
}
return indexMin; //возвращает индекс вершины с наименшей дистанцией, из вершин еще не входящих в дерево
}
private void updateShortestPaths() {
int vertexIndex = 1; // стартовая вершина пропускается
while (vertexIndex < countOfVertices) { // перебор столбцов
if (vertexList[vertexIndex].isInTree()) { // если вершина column уже включена в дерево, она пропускается
vertexIndex++;
continue;
}
// вычисление расстояния для одного element sPath
// получение ребра от currentVert к column
int currentToFringe = relationMatrix[currentVertex][vertexIndex];
// суммирование всех расстояний
int startToFringe = startToCurrent + currentToFringe;
// определение расстояния текущего element vertexIndex
int shortPathDistance = shortestPaths.get(vertexIndex).getDistance();
// сравнение расстояния через currentVertex с текущим расстоянием в вершине с индексом vertexIndex
if (startToFringe < shortPathDistance) {// если меньше, то у вершины под индексом vertexIndex будет задан новый кратчайший путь
List<integer> newParents = new ArrayList<>(shortestPaths.get(currentVertex).getParentVertices());//создаём копию списка родителей вершины currentVert
newParents.add(currentVertex);// задаём в него и currentVertex How предыдущий
shortestPaths.get(vertexIndex).setParentVertices(newParents); // соохраняем новый маршут
shortestPaths.get(vertexIndex).setDistance(startToFringe); // соохраняем новую дистанцию
}
vertexIndex++;
}
}
private void displayPaths() { // метод для вывода кратчайших путей на экран
for (int i = 0; i < countOfVertices; i++) {
System.out.print(vertexList[i].getLabel() + " = ");
if (shortestPaths.get(i).getDistance() == INFINITY) {
System.out.println("0");
} else {
String result = shortestPaths.get(i).getDistance() + " (";
List<integer> parents = shortestPaths.get(i).getParentVertices();
for (int j = 0; j < parents.size(); j++) {
result += vertexList[parents.get(j)].getLabel() + " -> ";
}
System.out.println(result + vertexList[i].getLabel() + ")");
}
}
}
}
</integer></integer></path>
實際上,這就是所有的魔力 =) 好吧,現在讓我們來看看這個演算法的實際應用:
public class Solution {
public static void main(String[] args) {
Graph graph = new Graph();
graph.addVertex('A');
graph.addVertex('B');
graph.addVertex('C');
graph.addVertex('D');
graph.addVertex('E');
graph.addVertex('F');
graph.addVertex('G');
graph.addEdge(0, 1, 3);
graph.addEdge(0, 2, 5);
graph.addEdge(0, 3, 7);
graph.addEdge(1, 4, 6);
graph.addEdge(2, 4, 4);
graph.addEdge(2, 3, 3);
graph.addEdge(3, 5, 3);
graph.addEdge(4, 6, 6);
graph.addEdge(5, 6, 4);
System.out.println("Элементы имеют кратчайшие пути из точки A: ");
graph.path();
graph.clean();
}
}
以及控制台中的輸出:
元素具有從A 點出發的最短路徑: A = 0 B = 3 (A -> B) C = 5 (A -> C) D = 7 (A -> D) E = 9 (A -> B -> E) F = 10 (A -> D -> F) G = 14 (A -> D -> F -> G)
這個演算法的時間複雜度只不過是O(N²),因為我們有嵌套在迴圈中的迴圈。好了,我今天的分享就到這裡了,謝謝大家的關注!
GO TO FULL VERSION