本文是我对算法的简短评论的延续。这是第一部分的链接。 之前,我们了解了各种数组排序算法和所谓的贪心算法。今天我们来谈谈图以及与之相关的算法。图是编程中最灵活、最通用的结构之一。 图 G通常使用一对集合G = (V, R)来指定,其中:
- V是顶点集;
- R是连接顶点对的线的集合。
3.路径搜索算法(深度、宽度)
对图执行的基本操作之一是确定从给定顶点可到达的所有顶点。想象一下,您正在尝试确定如何通过可能的转乘从一个城市前往另一个城市。有的城市可以直达,有的则需要绕道其他城市。在许多其他情况下,可能需要找到从给定顶点到可以找到路径的所有顶点。所以,图的遍历主要有两种方式:深度优先遍历和广度优先遍历,我们将考虑这两种方法。两种方法都将确保迭代所有连接的顶点。为了进一步考虑深度优先和广度优先算法,请看下图:深度优先遍历
这是最常见的图遍历方法之一。这种深度优先搜索策略包括尽可能“深入”图,并在到达死胡同时,返回到具有之前未访问过的相邻顶点的最近顶点。该算法在堆栈上存储有关达到死锁时返回位置的信息。深度优先遍历的规则:- 访问一个相邻的、以前未访问过的顶点,对其进行标记并将其放入堆栈中。
- 走到这个顶点。
- 重复步骤 1。
- 如果不可能完成步骤1,则返回到前一个顶点并尝试重复规则1。如果不可能,则返回到它之前的顶点,依此类推,直到找到可以继续遍历的顶点。
- 继续,直到所有顶点都在堆栈上。
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>
顶点看起来像:
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;
}
}
让我们用特定的顶点运行这个算法,看看它是否正常工作:
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();
}
}
控制台输出:
访问次数:A B E C D F G
由于我们有一个邻接矩阵,并且在 walk 方法中我们使用嵌套在循环中的循环,因此时间复杂度将为O(N²)。
步行宽度
该算法与深度优先遍历一样,是遍历图的最简单、最基本的方法之一。它的本质是,我们有一个特定的当前顶点,我们将所有相邻的、未遍历的顶点放入队列中,并选择下一个元素(队列中第一个存储的)使其成为当前...如果我们将这个算法分解为阶段,我们可以强调以下规则:- 访问与当前顶点相邻的下一个、之前未访问过的顶点,提前标记它并将其添加到队列中。
- 如果无法满足规则#1,则从队列中删除该顶点并将其设为当前顶点。
- 如果规则 #1 和规则 #2 不可能,则遍历完成并且所有顶点都已遍历(如果我们的图是连通的)。
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 类与深度优先搜索算法中的类相同。让我们将这个算法付诸实践:
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();
}
}
控制台输出:
访问次数:A B C D E F G
再次强调:我们有一个邻接矩阵并使用嵌套在循环中的循环,因此O(N²)是上述算法的时间复杂度。
4.Dijkstra算法
如前所述,图可以是有向的,也可以是无向的。正如您所记得的,它们仍然可以被加权。加权有向图在现实生活中经常出现:例如,一张城市地图,其中城市是顶点,城市之间的路径是道路,道路可以有单向交通——图的方向。假设您从事货物运输,需要创建两个遥远城市之间的最短路线。你将如何做到这一点?涉及加权图的最常见问题之一是选择两个顶点之间的最短路径问题。为了解决这个问题我们使用Dijkstra算法。我想立即指出,通过执行 Dijkstra 算法,我们将找出从给定的初始顶点到所有顶点的最短路径。这个算法有哪几个阶段?我将尝试回答这个问题。 Dijkstra 算法的阶段:- 第 1 阶段:搜索节点,过渡到该节点的成本最小。您站在一开始,想知道要去哪里:节点A还是节点B。到达每个节点需要多长时间?
- 第2阶段:计算当沿着B的一条边移动时,到达B的所有尚未受算法影响的邻居需要多少时间。如果新的时间小于旧的时间,则通过边 B 的路径将成为该顶点的新的最短路径。
- 第 3 阶段:将顶点 B 标记为已通过。
- 步骤 4:转到步骤 1。
- 对于顶点A,有 3 条可能的路径:到B的权重为 3、到C的权重为 5、到D的权重为 7。根据算法的第一点,我们选择具有最低转移的节点成本-即B.
- 由于B唯一未遍历的相邻顶点是顶点E,因此我们检查穿过该顶点时的路径是什么。3( AB )+6( BE )=9。
因此,我们注意到当前到 AE 的最短路径 = 9。
- 由于我们对顶点B 的处理已经完成,因此我们继续选择下一个顶点,其之前的边权重最小。
从顶点A和B可以得出顶点D (7)、C (5)、E (6)。
C的边权重最小,所以我们继续移动到这个顶点。
- 接下来,和之前一样,我们找出经过 C 时到达相邻顶点的最短路径:
- AD = 5( AC ) + 3( CD ) = 8,但由于之前的最短路径AC = 7,即小于通过C的这条最短路径,因此我们保持最短路径AD = 7 不变。
- CE = 5( AC ) + 4( CE ) = 9,这条新的最短路径等于前一条,所以我们也保持不变。
- 从最近的可用顶点E和D中,我们选择边权重最小的顶点,即D (3)。
- 我们找出到其邻居F的 最短路径。
AF = 7( AD ) + 3( DF ) = 10
- 从最近的可用顶点E和F中,我们选择边权重最小的顶点,即F (3)。
- 我们找出到其邻居 G的最短路径。
AG = 7( AD ) + 3( DF ) + 4( FG ) = 14
实际上,这里我们已经找到了从A到G的路径。
但为了确保它是最短的,我们还必须对顶点E运行我们的步骤。
- 由于顶点G没有有向路径所通向的相邻顶点,因此我们只剩下顶点E:我们选择它。
- 我们找出到邻居的最短路径- G。
AG = 3( AB ) + 6( BE ) + 6( EG ) = 15,这条路径比之前最短的 AG(14) 更长,所以我们保持这条路径不变。
由于没有从G引出的顶点,因此为给定顶点运行阶段是没有意义的。因此,算法的工作可以认为已经完成。
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;
}
}
顶点类实际上与深度优先和广度优先搜索中的顶点类相同。为了显示最短路径,我们需要一个新类来包含我们需要的数据:
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>
在这个类中,我们可以看到路径的总距离以及经过最短路径时将覆盖的顶点。现在我想考虑实际上发生图的最短遍历的类。所以,图类:
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>
实际上,这就是所有的魔力 =) 好吧,现在让我们来看看这个算法的实际应用:
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();
}
}
以及控制台中的输出:
元素具有从 A 点出发的最短路径: 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)
该算法的时间复杂度只不过是O(N²),因为我们有嵌套在循环中的循环。好了,我今天的分享就到这里了,谢谢大家的关注!
GO TO FULL VERSION