机遇 research之路其修远兮,我将上下而求索

算法的乐趣:完美的图算法

2017-03-31
cwlseu

图的表示方法

图的邻接矩阵存储方法

二维数组中第i行第j列表示顶点i到顶点j是否有边。1表示有边,-1或者无穷表示无边,激励我们将自己到自己设为0.如果表示的为无向图,则矩阵为对称矩阵。 graph_adjacent_1.txt中先输入有V个顶点有E条边 然后接下来E行为边的两个顶点。

5 5 1 2 1 3 1 5 2 4 3 5

图的邻接表的存储方法

邻接表是图的一种链式存储结构。对图的每个顶点建立一个单链表(n个顶点建立n个单链表),第i个单链表中的结点包含顶点Vi的所有邻接顶点。又称链接表。适用于稀疏图的存储。

int u[MAX_LEN];
int v[MAX_LEN];
int w[MAX_LEN];
int first[MAX_LEN]; // 存储第i个顶点的第一条边的编号总长度为V
int next[MAX_LEN];  // 存储编号为i的边的下一条的编号总长度为E
// 读入边的格式为u v w
// weight(u, v) = w
void read_graph(FILE *f, int E)
{
   memset(first, -1, sizeof(first));
   for (int i = 1; i <= E; i++)
   {
      fscanf(f, "%d %d %d", &u[i], &v[i], &w[i]);
      //关键
      next[i]     = first[u[i]];
      first[u[i]] = i;
   }
}

void access_graph(const int V)
{
   for (int i = 1; i <= V; i++)
   {
      int k = first[i];
      while (k != -1)
      {
         printf("w(%d,%d) = %d\n", u[k], v[k], w[k]);
         k = next[k];
      }
   }
}

其中Dijstra算法使用堆进行选择最小距离,基于连接表的存储方式的时间复杂度为$O((V+E)logV)$ ,如果基于邻接矩阵的表示方法, 时间复杂度为$O(V^2)$. 当图比较稀疏的时候,E « V^2, 这个时候$O((V+E)logV)$比$O(V^2)$小得多。

遍历方法

深度优先遍历的主要思想就是首先以一个未被访问过的顶点作为起始出发点,沿着当前顶点的边走到未被访问过的顶点:当没有未被访问过的顶点的是偶,则回到上一个顶点,继续试探访问别的顶点,知道所有的顶点都被访问过。显然,深度优先遍历是沿着图的某一条分支遍历直到末端,然后回溯,再沿着另一条进行同样的遍历,直到所有的顶点都被访问过为止。

广度优先遍历更加适用于所有边的权值相同的情况。

最小生成树的构造

定义

最小生成树是一副连通加权无向图中一棵权值最小的生成树。在一给定的无向图 G = (V, E) 中,(u, v) 代表连接顶点 u 与顶点 v 的边(即 $(u,v)\in E$),而 $w(u, v)$ 代表此边的权重,若存在 T 为 E 的子集(即 $T\subseteq E$)且为无循环图,使得 的 w(T) 最小,则此 T 为 G 的最小生成树。最小生成树其实是最小权重生成树的简称。 最小生成树

普里姆算法(Prim算法)

从单一顶点开始,普里姆算法按照以下步骤逐步扩大树中所含顶点的数目,直到遍及连通图的所有顶点。

  • 输入:一个加权连通图,其中顶点集合为V,边集合为E;
  • 初始化:Vnew = {x},其中x为集合V中的任一节点(起始点),Enew = {}; 重复下列操作,直到Vnew = V: 1. 在集合E中选取权值最小的边(u, v),其中 u为集合Vnew中的元素,而v则是V中没有加入Vnew的顶点(如果存在有多条满足前述条件即具有相同权值的边,则可任意选取其中之一); 2. 将v加入集合Vnew中,将(u, v)加入集合Enew中;
  • 输出:使用集合Vnew和Enew来描述所得到的最小生成树。
  • 从任意一个顶点开发构造生成树,假设从1号顶点开始。首先将顶点1加入生成树中,用一个一维数组book来标记那些顶点已经加入了生成树
  • 用数组dist记录生成树到各个顶点的距离。最初生成树中只有1号顶点。有直连边的时候,dist存储的就是一号顶点到该点的权值,没有直连边的时候为Infinity
  • 从数组dist中选出离生成树最近的点(假设该点为j),加入到生成树中。再以j为中间点,更新生成树到每一个非树顶点的距离。即dist[k] > e[j][k] 更新 dist[k] = e[j][k]
  • 重复第三步,直到所有的节点被加入为止。

采用邻接矩阵表示的实现

时间复杂度为O(V^2)

// 初始化距离矩阵
   for(int i = 1; i <= V; ++i) dist[i] =  graph[1][i];
   book[1] = true;
   int sum = 0;
   int count = 1;
   while(count < V)
   {
      // 查找距离当前树最小的点
      // 时间复杂度为O(V), 如果采用堆进行优化的话可以降到O(logV)
      int j = 0;
      int min = MAX_VAL;
      for(int i = 1; i <= V; ++i)
      {
         if(!book[i] && dist[i] < min)
         {
            min = dist[i]; j = i;
         }
      }
      book[j] = true;
      count++;
      sum += dist[j];
      // 更新各点到树的距离
      for(int k = 1; k <= V; ++k)
      {
         if(!book[k] && dist[k] > graph[j][k])
            dist[k] = graph[j][k];
      }
   }

https://github.com/cwlseu/Algorithm/blob/master/aha/ch8/prim_arr_minimal_spanning_tree.cpp

采用邻接表表示的方法O(ElogV)

其中推荐最小距离点的时候采用堆实现推荐,其中获取顶点元素时间为O(1),调整堆时间为O(logV)。 调整代码实现如下:

// 从i节点向下调整堆
void minheap_shiftdown(int i)
{
   int t, flag = 0;
   while (i * 2 <= size && flag == 0)
   {
      if (dist[h[i]] > dist[h[i << 1]])
         t = i << 1;
      else
         t = i;
      if (i * 2 + 1 <= size)
      {
         if (dist[h[t]] > dist[h[i * 2 + 1]])
         {
            t = i * 2 + 1;
         }
      }
      if (t != i)
      {
         swap(t, i);
         i = t;
      }
      else
         flag = 1;
   }
}

Prim算法关键部分如下:

//弹出堆顶元素
   minheap_pop();
   while (count < V)
   {
      // 查找距离当前树最小的点
      int j = minheap_pop();

      book[j] = true;
      count++;
      sum += dist[j];

      // 更新各点到树的距离
      k = first[j]; // 获取顶点i的所有相连边的头
      while(k != -1)
      {
         if(!book[v[k]] && dist[v[k]] > w[k])
         {
            dist[v[k]] = w[k];
            minheap_shiftup(pos[v[k]]);
         }
         k = next[k];
      }
   }

https://github.com/cwlseu/Algorithm/blob/master/aha/ch8/prim_heap_minimal_spanning_tree.cpp

时间复杂度

最小边、权的数据结构 时间复杂度(总计
邻接矩阵、搜索 O(V2)
二叉堆(后文伪代码中使用的数据结构)、邻接表 O((V + E) log(V)) = O(E log(V))
斐波那契堆、邻接表 O(E + V log(V))

通过邻接矩阵图表示的简易实现中,找到所有最小权边共需O(V2)的运行时间。使用简单的二叉堆与邻接表来表示的话,普里姆算法的运行时间则可缩减为O(E log V),其中E为连通图的边数,V为顶点数。如果使用较为复杂的斐波那契堆,则可将运行时间进一步缩短为O(E + V log V),这在连通图足够密集时(当E满足Ω(V log V)条件时),可较显著地提高运行速度。

Kruskal算法

算法描述

  • 新建图G,G中拥有原图中相同的节点,但没有边
  • 将原图中所有的边按权值从小到大排序
  • 从权值最小的边开始,如果这条边连接的两个节点于图G中不在同一个连通分量中,则添加这条边到图G中
  • 重复3,直至图G中所有的节点都在同一个连通分量中

实现

#include <algorithm>
#include <cstdio>
#include <cstdlib>
#include <vector>
using std::vector;

typedef struct tEdge
{
   int u;
   int v;
   int val;
   tEdge()
      : u(-1)
      , v(-1)
      , val(0)
   {
   }
   tEdge(int _u, int _v, int _val)
      : u(_u)
      , v(_v)
      , val(_val)
   {
   }
} tEdge;
static const int MAX_LEN = 101;

bool comp_edge(tEdge e1, tEdge e2) { return e1.val < e2.val; }

tEdge edges[MAX_LEN];
int find[MAX_LEN];

inline void init(int* f, const int n) 
{
   for(int i = 1; i <= n; ++i) f[i] = i;
}
int getfather(int v)
{
   // 采用递归方式实现
   // 每次在函数返回的时候,将
   if(find[v] == v)
      return v;
   find[v] = getfather(find[v]);
   return find[v];
}
bool merge(int v, int u)
{
   if(v > u) return merge(u, v);
   int t1, t2;
   t1 = getfather(v);
   t2 = getfather(u);
   if(t1 != t2)
   {
      find[t2] = t1;// 靠左原则,左边的变成右边的boss
      return true;
   }
   return false;
}
int main(int argc, char const *argv[])
{

   FILE *f;
   f = fopen("minimal_spanning_tree.txt", "r");
   if (f == NULL) perror ("Error opening file");

   int V, E;
   int u, v, val;
   int sum = 0; // 最小生成树的花费
   int count_v = 0;

   fscanf(f, "%d %d", &V, &E);
   for (int i = 1; i <= E; ++i)
   {
      fscanf(f, "%d %d %d", &u, &v, &val);
      edges[i] = tEdge(u, v, val);
   }
   std::vector<tEdge> edgev(edges+1, edges+E+1);
   std::sort(edgev.begin(), edgev.end(), comp_edge);
   init(find, V);
   // kruskal 算法
   // 从小到大枚举每一条边
   for(int i = 0; i < E; ++i)
   {
      // 判断两个顶点是否已经联通,是否在一个集合里
      if(merge(edgev[i].u, edgev[i].v))
      {
         count_v++;
         sum += edgev[i].val;
      }
      // 选择v - 1条边即可
      if(count_v == V - 1) break;
   }
   // for(int i = 1 ; i <= V; ++i) printf("%d ", find[i]);
   printf("\n");
   printf("总共要花费银票是: %d\n", sum);
   return 0;
}

算法时间复杂度

O(Elog(E)) E为图中的边数

最短路径问题

Floyd-warshall

Floyd-Warshall算法,中文亦称弗洛伊德算法,是解决任意两点间的最短路径的一种算法,可以正确处理有向图或负权(但不可存在负权回路)的最短路径问题, 同时也被用于计算有向图的传递闭包。Floyd-Warshall算法的时间复杂度为$O(N^3)$,空间复杂度为$O(N^{2})$。

Floyd-Warshall算法的原理是动态规划

设 $D_{i,j,k}$为从$i$到$j$的只以$(1..k)$集合中的节点为中间节点的最短路径的长度。 若最短路径经过点k,则 $D_{i,j,k}=D_{i,k,k-1}+D_{k,j,k-1}$; 若最短路径不经过点k,则 $D_{i,j,k}=D_{i,j,k-1}$。 因此,$D_{i,j,k}=min(D_{i,j,k-1},D_{i,k,k-1}+D_{k,j,k-1})$。 在实际算法中,为了节约空间,可以直接在原来空间上进行迭代,这样空间可降至二维。

伪代码

"""
letdistbea |V|x|V| arrayofminimumdistanceinitializedtoinfinity
其中dist[i][j]表示由点i到点j的代价,当其为 ∞ 表示两点之间没有任何连接
"""
# initthegraph
forvinvertex:
    dist[v][v] = 0
foredge(u, v) inedge:
    dist[u][v] = w(u, v)

# startthemainalgorithm
forkrange(1,|V|):
    forirange(1, |V|):
        forjrange(1, |V|):
            ifdist[i][j] > dist[i][k] + dist[k][j]: 
                dist[i][j] = dist[i][k] + dist[k][j]
            endif
        endfor
    endfor
endfor

为什么不能解决带有”负权回路”的图,因为带有负权回路的图没有最短路径。因为1->2->3->1->2->3->1->2->3,每次绕一次就减少1, 永远都找不到最短路径。

Dijkstra最短路径算法

@Dijkstra最短路径算法示意图, ref:wikipedia

戴克斯特拉算法是由荷兰计算机科学家艾兹赫尔·戴克斯特拉提出。迪科斯彻算法使用了广度优先搜索解决赋权有向图的单源最短路径问题,算法最终得到一个最短路径树。该算法常用于路由算法或者作为其他图算法的一个子模块。 举例来说,如果图中的顶点表示城市,而边上的权重表示城市间开车行经的距离,该算法可以用来找到两个城市之间的最短路径。该算法的输入包含了一个有权重的有向图G,以及G中的一个来源顶点S。我们以V表示G中所有顶点的集合。每一个图中的边,都是两个顶点所形成的有序元素对。(u, v) 表示从顶点u到v有路径相连。我们以E表示G中所有边的集合,而边的权重则由权重函数w: E → [0, ∞] 定义。因此,w(u, v) 就是从顶点u到顶点v的非负权重(weight)。边的权重可以想像成两个顶点之间的距离。任两点间路径的权重,就是该路径上所有边的权重总和。已知有V中有顶点s及t,Dijkstra算法可以找到s到t的最低权重路径(例如,最短路径)。这个算法也可以在一个图中, 找到从一个顶点s到任何其他顶点的最短路径。

伪代码

def Dijkstra(Graph, source):
     dist[source]  0                 # Initialization
     create vertex set Q

     for each vertex v in Graph:           
         if v  source
             dist[v]  INFINITY       # Unknown distance from source to v
             prev[v]  UNDEFINED      # Predecessor of v

         Q.add_with_priority(v, dist[v])


     while Q is not empty:            # The main loop
        u  Q.extract_min()           # Remove and return best vertex
        for each neighbor v of u:     # only v that is still in Q
            alt  dist[u] + length(u, v) 
            if alt < dist[v]
                 dist[v]  alt
                 prev[v]  u
                 Q.decrease_priority(v, alt)
     return dist[], prev[]

Bellman Ford算法

对所有的E条进行V-1次松弛操作。因为最短路径上最多有V-1条边. 第一次循环相当于经过一条边到达各个顶点的最短路径,经过k次循环相当于经过k条边到达各个顶点的最短路径。

   for (int k = 1; k <= V - 1; k++)
   {
      for(int i = 1; i <= E; ++i)
      {
         if(dist[v[i]] > dist[u[i]] + w[i])
            dist[v[i]] = dist[u[i]] + w[i]; 
      }
   }

除此之外,Bellman ford算法还可以用来检查是否有负权回路. 如果在进行V-1次松弛操作之后,仍然存在

  if(dist[v[i]] > dist[u[i]] + w[i])
            dist[v[i]] = dist[u[i]] + w[i]; 

的情况的话,也就是说V-1轮松弛之后,仍然可以松弛,那么必存在负权回路。

   for (int k = 1; k <= V - 1; k++)
   {
      for(int i = 1; i <= E; ++i)
      {
         if(dist[v[i]] > dist[u[i]] + w[i])
            dist[v[i]] = dist[u[i]] + w[i]; 
      }
   }
   // 检查是否有负权回路
   bool flag = false;
   for(int i = 1; i <= E; ++i)
   {
      if(dist[v[i]] > dist[u[i]] + w[i])
        flag = true; 
   }
   if (flag) printf("这图有负权回路\n");

复杂度总结

  Floyd Dijkstra Bellman Ford Bellman Ford Proiority
空间复杂度 O(V^2) O(E) O(E) O(E)
时间复杂度 O(V^3) O((V+E)lgV) O(VE) 最坏O(VE)
适应情景 稠密图和顶点关系密切 稠密图和顶点关系密切 稀疏图和边关系密切 稀疏图和边关系密切
负权 不可以 不能解决 可以解决 可以解决负权

有向图的拓扑排序

参考

1.aha!算法

2.wikipedia- Dijstra算法

|版权声明:本文为博主原创文章,未经博主允许不得转载。


欢迎评论

Content