目录
学习记录，优先理解原理
1 图
图是一种比线性表和树更复杂的数据结构，在线性表中，数据元素之间仅有线性关系，每个数据元素只有一个直接前驱和一个直接后继；在 树形结构中，数据元素之间有着明显的层次关系，并且每一层中的数据元素可能和下一层中的多个元素（即其孩子结点）相关，但只能和上一层中一个元素（即其双亲结点）相关； 而在图结构中，结点之间的关系可以是任意的，图中任意两个数据元素之间都可能相关。数据结构中，则应用图论的知识讨论如何在计算机上实现图的操作，因此主要学习图的存储结构，以及若于图的操作的实现。
2 图的定义和基本概念（在简单图范围内）
图（Graph）是一种数学结构，用于表示对象之间的关系。在图中，通常包含以下元素：一些简单的概念术语就不讨论了，例如:
提醒一点下图是一个图还是4个图？（一个图，千万别说成四个图）
- (x,y)指由x点到y点，且无方向；也就是（x,y)=(y,x);
- <x,y>指由x到y，但是有方向；也就是<x,y>!=<y,x>;
- 什么是顶点？
- 什么是边？
- 什么是图？
- 什么是子图？ —就是从一个图中拿走一部分，这部分就是子图，隶属关系
- 什么是有向图？—只要有一根线带方向就是有向图
- 什么是完全有向图？—就是图的所有线都有方向
（n个顶点就是有${n(n-1)}$条线都有方向） - 什么是无向图？—就是没有一根线带方向
- 什么是完全无向图？—就是图的所有线都没有方向
（n个顶点就是有${n(n-1)/2}$条线都无方向） - 所以思考一个问题：a,b两个点，如果是无向图，最多是1条线，如果有向图是两条线：很重要：如下图，所以n个顶点，有向图最多n（n-1）条线，无向图最多是有向的一半；
- 什么是权？—就是一条线的价值（数值）
- 什么是邻接点？—无向图中挨着的点就是邻接点；
但是注意在有向图中：如果 A 指向 B，但 B 不指向 A，那么 B 的邻接点是 A，A的邻接点不是B - 什么是度？—针对无向图，就是一根节点被插了几条线，注意无向图没有方向；出==入
- 什么是入度？出度？—针对有向图，就是一个点射出几条线为出度，插入几条线就是入度；
以上就是一些基本的简单的概念，稍微理解一下就行，下面的就有一些抽象，可以讨论一下
- 回路或者环；如下图画出来的就是环，第一个顶点和最后一个顶点相同的路径称为回路或环
- 连通、连通分量、连通图；
这些针对无向图，首先是连通，连通的意思就是两个节点之间有线，如下图，V1到V2，V1到V5 都叫连通，画线都叫连通：
知道了连通的意思，那么连通图的意思就是很好理解了，连通图顾名思义任意两个顶点都能连通。
现在再问一下，下面的是一个图还是三个图，是连通图吗？----一个图----不是连通图
很多人第一印象就是觉得是三个图，其实不然，图是一个集合，所以是一个图，这些集合中的元素如何区分呢？我们利用连通分量的的概念就能进行区分，连通分量指的是无向图中的极大连通子图，上图中刚好有三个连通分量（每个连通分量都是一个极大连通子图）；如下：
这样就能分成三个好研究的子图；即-连通分量指的是无向图中的极大连通子图
- 我们上面谈完无向图中叫连通、连通图、连通分量，那么在有向图中怎么叫呢？我觉得叫有向连通，比较通俗易懂，但是学术名称是强连通图和强连通分量：在有向图 G 中，如果对千每一对Vi,Vj属于 V;从 Vj到Vi都存在路径，则称G是强连通图。有向图中的极大强连通子图称作有向图的强连通分量。例如下图,不是强连通图，但它有两个强连通分量，如图：
- 剩下两个概念就是连通图的生成树和有向树和生成森林：
3 图的类型定义
图是一种数据结构，加上一组基本操作，就构成了抽象数据类型。抽象数据类型图的定义如下;还记得之前对于复数的抽象数据类型的定义吗：如下：三部分-数据对象，数据关系，基本操作；
依次类比关于图的抽象数据结构如下：
基本操作还有很多，这个可以根据自己的需求进行一些基本操作的编写；
4 图的存储结构
由千图的结构比较复杂，任意两个顶点之间都可能存在联系，因此无法以数据元素在存储区中的物理位置来表示元素之间的关系，即图没有顺序存储结构，但可以借助二维数组来表示元素之间的关系，即邻接矩阵表示法。另一方面，由千图的任意两个顶点间都可能存在关系，因此，用链式存储表示图是很自然的事，图的链式存储有多种，有邻接表、十字链表和邻接多重表，应根据实际需要的不同选择不同的存储结构。
4.1 邻接矩阵 表示法
邻接表示法如下图所示：
除了一个用千存储邻接矩阵的二维数组外， 还需要用一个一维数组来存储顶点信息。 创建一个采用邻接矩阵表示法创建无向网：
这样的存储方式有缺点也有优点，缺点就是矩阵的通病，对于稀疏的图，这样会造成大量的空间浪费；
4.2 邻接表 表示法
表头是一个数组结构体指针，每个结构体指针指向一个链表，有如下图：
在邻接表中，对图中每个顶点V; 建立一个单链表，把与 V相邻接的顶点放在这个链表中，邻接表中每个单链表的第一个结点存放有关顶。
值得注意的是，一个图的邻接矩阵表示是唯一的，但其邻接表表示不唯一，这是因为邻接表表示中，各边表结点的链接次序取决于建立邻接表的算法，以及边的输入次序。
4.3 十字链表 表示法
十字链表（Orthogonal List）是有向图的另一种链式存储结构，可以看成将有向图的正邻接表和逆邻接表结合起来得到的一种链表。在十字链接结构中，对应于每个顶点有一个结点，对应于有向图中每一条弧也有一个结点，每条弧的弧头结点和弧尾结点都存放在链表中。
十字链表是为了便于求得图中顶点的度（出度和入度）而提出来的，它是综合邻接表和逆邻接表形式的一种链式存储结构。在十字链表存储结构中，有向图中的顶点的结构如下所示：
data：表示顶点的具体数据信息。firstIn：指向以该顶点为弧头的第一个弧节点。firstOut：指向以该顶点为弧尾的第一个弧节点。
为了表示有向图中所有的顶点，采用一个顶点数组存储每一个结点。弧节点是十字链表存储结构中用于表示有向图中每一条弧的节点。它的结构包含以下几个域：tailVex：表示该弧的弧尾顶点在顶点数组中的位置。headVex：表示该弧的弧头顶点在顶点数组中的位置。nextArc：指向弧头相同的下一条弧。prevArc：指向弧尾相同的下一条弧。info：该弧的信息。
弧节点通过tailVex和headVex字段与顶点节点相连，形成了有向图的存储结构。通过弧节点的链接关系，可以方便地访问有向图中的弧信息，以及进行与弧相关的操作，如遍历弧、查找弧等。
4.4 邻接多重表 表示法
待补充、、、、、
5 图的遍历
和树的遍历类似，图的遍历也是从图的某一项点开始，按照某种方法对图中所有顶点访问且仅访问一次。图的遍历算法是求解图的连通性问题，拓扑排序和关键路径等算法的基础。
5.1 深度优先搜索-DFS 及 广度优先遍历-BFS
理解这个之前，先理解一下树中的DFS和BFS遍历，其实树中的DFS就是后序遍历，BFS就是层次遍历，如下图：
现在放到图中，依然是这样，对于图而言，DFS就是一直找到头，到头后开始访问，就类似于树中的后序访问（其中最重要的是回溯的思想），而BFS就是广度优先遍历，要用到队列，核心就是一层一层的进行遍历：如下图：和深度优先搜索类似，广度优先搜索在遍历的过程中也需要一个访问标志数组。回退时判断有没有访问过这个节点
6 图的应用
6.1 最小生成树
先明白一个问题就是，最小生成树是一颗树，树的各个点都是连通的，N个节点的树有n-1根线，拿无向图而言，而对于一个图而言，其可能是由很多连通图组成的一个大图，但是要组成一棵树，就不能有环的存在，而且整个图是连通的，且其线是n-1条，这样才能生成一颗树，其中每条线对应一个数值，把这些数值相加得到一个整体的值这个值如果最小，那么就是得到了最小的生成树；采用贪婪算法，主要的算法有：克鲁斯卡尔 (Kruskal) 算法和普里姆 (Prim) 算法。
6.1.1 克鲁斯卡尔 (Kruskal) 算法
这个算法的步骤就是，先把所有的边存储起来，然后把边从小到大进行排序，然后依次把边从小到大放回原图,也称为加边法，并每次进行判断有没有环的生成，如果又环的生成，就放弃这条线，再向下面取线，直到取到n-1条线，就生成了最小生成树。
与普里姆算法相比，克鲁斯卡尔算法更适合千求稀疏网的最小生成树
6.1.2 普里姆 (Prim) 算法算法
这个算法有点抽象，核心就是找两个集合之间的最短路径，其中一个集合就是已找到的节点，另外一个集合就是未找到的节点集合，找出中间最短的路径，并纳入一个新的节点，也称 加点法，核心原理就是这样，不用判断有没有环:注意：每次选择最小边时， 可能存在多条同样权值的边可选， 此时任选其一即可。
普里姆算法的时间复杂度为 O(n^2), 与网中的边数无关， 因此适用千求稠密网的最小生成树。
6.2 最短路径
假设一个人不考虑费用和时间，从A到B，要求中转次数最少，那么这就是一个简单图的问题，简化一下，就是求A到B的最短路径，可以采用图的层次遍历也就是BFS算法（广度优先搜索），直到遇到顶点B就停止，其中中转次数就是A到B之间的节点数；
显然问题还可以进一步的深入，对于旅客而言，他们关心的就是A到B的费用最少，而对于司机而言，他们更关心的是里程和速度，因此要对图中进行一些改变：为了在图上表示有关信息，可对边赋以权，权的值表示两城市间的距离，或途中所需时间，或交通费用等。此时路径长度的度最就不再是路径上边的数目，而是路径上边的权值之和。考虑到交通图的有向性，例如，汽车的上山和下山，轮船的顺水和逆水，所花费的时间或代价就不相同，所以交通网往往是用带权有向网表示。在带权有向网中，习惯上称路径上的第一个顶点为源点(Source), 最后一个顶点为终点(Destination)；
6.2.1 单源点最短路径(Dijkstra算法）
本节将讨论单源点的最短路径问题：给定带权有向图G和源点Vo , 求从Vo到G中其余各顶点的最短路径。迪杰斯特拉(Dijkstra)提出了一个按路径长度递增的次序产生最短路径的算法，
称为迪杰斯特拉算法。
注意最小生成树不等于Dijkstra算法：两个解决的问题不一样, 一个是求最短的路线, 一个是解决怎么花最小的成本连通所有点不过Dijkstra算法和最小生成树里的Prim算法思路还挺像的, 但要注意Dijkstra算法每次找的是距离源点(比如我视频里的a点)最近的点, 但是Prim算法每次找的是距离正在生成的树最近的点. 有的点可能距离正在生成的树是最近的但是距离源点不是最近的, 所以Dijkstra算法不等于Prim算法, 也不能用来求最小生成树。
6.2.2 单源点最短路径(弗洛伊德算法）
待补充
6.3 拓扑排序
一个无环的有向图称作有向无环图( DirectedAcycline Graph), 简称DAG图。有向无环图是描述一项工程或系统的进行过程的有效工具。通常把计划、 施工过程、 生产流程、 程序流程等都当成一个工程。除了很小的工程外，一般的工程都可分为若干个称做活动(Activity)的子工程，而这些子工程之间， 通常受着一定条件的约束， 如其中某些子工程的开始必须在另一些子工程完成之后。
待补充–
6.4 AOE–网
与AOV-网相对应的是AOE-网 (Activity On Edge) , 即以边表示活动的网。 AOE-网是一个带权的有向无环图， 其中， 顶点表示事件， 弧表示活动， 权表示活动持续的时间。 通常， AOE-网可用来估算工程的完成时间。
待补充–
