4.9 KiB
图
「图 Graph」是一种非线性数据结构，由「顶点 Vertex」和「边 Edge」组成。我们可将图 G 抽象地表示为一组顶点 V 和一组边 E 的集合。例如，以下表示一个包含 5 个顶点和 7 条边的图
$$
\begin{aligned}
V & = { 1, 2, 3, 4, 5 } \newline
E & = { (1,2), (1,3), (1,5), (2,3), (2,4), (2,5), (4,5) } \newline
G & = { V, E } \newline
\end{aligned}
那么，图与其他数据结构的关系是什么？如果我们把「顶点」看作结点，把「边」看作连接各个结点的指针，则可将「图」看成一种从「链表」拓展而来的数据结构。相比线性关系（链表）和分治关系（树），网络关系（图）的自由度更高，也从而更为复杂。
图常见类型
根据边是否有方向，分为「无向图 Undirected Graph」和「有向图 Directed Graph」。
- 在无向图中，边表示两顶点之间“双向”的连接关系，例如微信或 QQ 中的“好友关系”；
- 在有向图中，边是有方向的，即
A \rightarrow B和A \leftarrow B两个方向的边是相互独立的，例如微博或抖音上的“关注”与“被关注”关系；
根据所有顶点是否连通，分为「连通图 Connected Graph」和「非连通图 Disconnected Graph」。
- 对于连通图，从某个顶点出发，可以到达其余任意顶点；
- 对于非连通图，从某个顶点出发，至少有一个顶点无法到达；
我们可以给边添加“权重”变量，得到「有权图 Weighted Graph」。例如，在王者荣耀等游戏中，系统会根据共同游戏时间来计算玩家之间的“亲密度”，这种亲密度网络就可以使用有权图来表示。
图常用术语
- 「邻接 Adjacency」：当两顶点之间有边相连时，称此两顶点“邻接”。
- 「路径 Path」：从顶点 A 到顶点 B 走过的边构成的序列，被称为从 A 到 B 的“路径”。
- 「度 Degree」表示一个顶点具有多少条边。对于有向图，「入度 In-Degree」表示有多少条边指向该顶点，「出度 Out-Degree」表示有多少条边从该顶点指出。
图的表示
图的常用表示方法有「邻接矩阵」和「邻接表」。以下使用「无向图」来举例。
邻接矩阵
设图的顶点数量为 n ，「邻接矩阵 Adjacency Matrix」使用一个 n \times n 大小的矩阵来表示图，每一行（列）代表一个顶点，矩阵元素代表边，使用 1 或 0 来表示两个顶点之间有边或无边。
如下图所示，记邻接矩阵为 M 、顶点列表为 V ，则矩阵元素 M[i][j] = 1 代表着顶点 V[i] 到顶点 V[j] 之间有边，相反地 M[i][j] = 0 代表两顶点之间无边。
邻接矩阵具有以下性质：
- 顶点不能与自身相连，因而邻接矩阵主对角线元素没有意义。
- 「无向图」两个方向的边等价，此时邻接矩阵关于主对角线对称。
- 将邻接矩阵的元素从
1,0替换为权重，则能够表示「有权图」。
使用邻接矩阵表示图时，我们可以直接通过访问矩阵元素来获取边，因此增删查操作的效率很高，时间复杂度均为 O(1) 。然而，矩阵的空间复杂度为 O(n^2) ，内存占用较大。
邻接表
「邻接表 Adjacency List」使用 n 个链表来表示图，链表结点表示顶点。第 i 条链表对应顶点 i ，其中存储了所有与该顶点相连的顶点。
邻接表仅存储存在的边，而边的总数往往远小于 n^2 ，因此更加节省空间。但是，因为在邻接表中需要通过遍历链表来查找边，所以其时间效率不如邻接矩阵。
观察上图发现，邻接表结构与哈希表「链地址法」非常相似，因此我们也可以用类似方法来优化效率。比如，当链表较长时，可以把链表转化为「AVL 树」，从而将时间效率从 O(n) 优化至 O(\log n) ，还可以通过中序遍历获取有序序列；还可以将链表转化为 HashSet（即哈希表），将时间复杂度降低至 O(1) 。
图常见应用
现实中的许多系统都可以使用图来建模，对应的待求解问题也可以被约化为图计算问题。
| 顶点 | 边 | 图计算问题 | |
|---|---|---|---|
| 社交网络 | 用户 | 好友关系 | 潜在好友推荐 |
| 地铁线路 | 站点 | 站点间的连通性 | 最短路线推荐 |
| 太阳系 | 星体 | 星体间的万有引力作用 | 行星轨道计算 |