图（Graph）

「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”。例如，上图中顶点 1 的邻接顶点为顶点 2, 3, 5 。
「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”。例如，上图中 1, 5, 2, 4 是顶点 1 到顶点 4 的一个路径。
「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 ，其中存储了该顶点的所有邻接顶点（即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 树或红黑树，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

5.1 KiB Raw Blame History Unescape Escape