上一篇博文我们提到了图的最短路径问题：http://www.cnblogs.com/mm93/p/8434056.html。而最短路径问题可以说是这样的一个问题：路已经修好了，该怎么从这儿走到那儿？但是在和图有关的问题中，还有另一种有趣的问题：修路的成本已经知道了，该怎么修路才能尽可能节约成本，同时将这些地方都连起来？
比如我们知道有这么几个城市，它们互相之间还没有路：
经过实地考察后，发现可以修的路以及各条路的修路成本如下：
但是我们的预算有限，需要在修路时尽可能的省钱（也就是尽量减小所有边的权重之和），同时保证图中每一个城市总是能到达图中任意一个城市，该怎么修路呢？对于上图来说，其中一个方案是这样的，其总共的修路成本（即总权重）为8：
另一个方案是这样的，略有不同，不过总成本也是8：
像这样的问题，就是我们今天要讨论的最小生成树问题。为了更准确地说明什么是最小生成树，我们需要先了解一个概念：连通。对于一个无向图而言，如果每个顶点到每个其它顶点都存在路径，则该无向图是连通的。而对于有向图而言，道理相同又稍有变化，在有向图中，若每个顶点到每个其它顶点都存在可行的路径，则该有向图是强连通的。比如下图就不是一个强连通的有向图，其中非v0顶点无法到达v0顶点：
但是如果我们将上面这个有向图的边都变为无向边，我们就会得到一个无向图，此无向图即该有向图的基础图（underlying graph）。如果一个有向图非强连通，但是其基础图是连通的，我们就称该有向图是弱连通的。上面这个有向图就是一个弱连通的有向图。
明白了什么是连通之后，接下来我们说说最小生成树是什么：在一个连通的无向图的所有边中，挑选出足以使所有顶点连通的那些边，且这些边的总权重不能更低，则这些边与所有顶点构成的图就是最小生成树。“最小”的意思是其总权重是最小的，“生成”则是因为这个树是从一个无向图中找出来的，也即生成的。
等等_(:з」∠)_ 不是说“这些边与所有顶点构成的图”吗，怎么就成了树？原因是这样的，如果一个无向图是连通的，那么我们就能找出满足上述条件的那个图，而如果那个图存在，那它一定是一棵树（树是特殊的图嘛，这一点应该要懂的），比如本文前面所找出的最小生成图，显然是一棵树：
为什么称最后找出来的顶点与边的集合为最小生成树，我们已经知道了，而为什么最后找出来的一定是树……咱能不纠结吗 (￣.￣)
好了，接下来讨论下一个问题：有向图可以找出最小生成树吗？答案是可以，只要有向图是强连通的。并且寻找有向图的最小生成树的过程也是基本一样的，因为无向图本就是以有向图的形式存储的（一条无向边拆成两条有向边）。不过因为本文并不打算给出可运行的代码，所以我们的讨论以无向图为基准，主要关注算法的思路，并且不考虑所给图非连通的情况。
想要在图中找出最小生成树，有两种算法可供选择：Prim算法和Kruskal算法。因为Prim算法与寻找最短路径的Dijkstra算法非常非常非常像，所以我们先来讨论一下Prim算法。
Prim算法的思路是这样的：
1.任选一个顶点，将其标为已知，即表示该顶点已在树中（Dijkstra算法中，起点由我们指定）
2.找出所有已知顶点邻接的未知顶点，其中与任一已知顶点的邻接边权重最小的未知顶点，我们将其标为已知，同时将其preV设为与其邻接边最小的已知顶点，且其distance设为该邻接边的权重（在Dijkstra算法中，我们用的是“指向”，因为要考虑到有向图的情况，此外，Dijkstra算法中，我们将被标为已知的未知顶点的distance设为与其相连的已知顶点的distance加上边的权重）
3.反复执行第二步，直至不存在已知顶点邻接了未知顶点为止。
抽象的说，Prim算法就是随机选一个顶点，将其拉进原先为空的树中，然后不断地通过尽可能小的边将其他顶点拉进这棵树中
老样子，上述说法晦涩难懂 (￣.￣)。所以我们需要实际的走一遍来加深一下理解，以下图为例：
假设我们以v3作为起点，则图初始化后的状态如下（顶点旁有红圈表示该顶点已知，红圈中即该顶点的preV，顶点的distance我们暂不考虑）：
接着，我们找出所有已知顶点（v3）邻接的所有未知顶点：v0、v1、v2、v4、v5、v6。发现与已知顶点邻接边最小的未知顶点是v1、v4，其中未知顶点v1与已知顶点v3的邻接边权重为1，未知顶点v4与已知顶点v3的邻接边权重也为1，我们任选其一即可，比如选择v1，然后将v1设为已知，v1.preV=v3：
继续，我们找出所有已知顶点（v1、v3）邻接的所有未知顶点：v0、v2、v4、v5、v6，发现与已知顶点邻接边最小的未知顶点是v0、v4，其中未知顶点v0与已知顶点v1的邻接边权重为1，未知顶点v4与已知顶点v1或v3的邻接边权重为1，我们任选其一，比如v4，然后将v4设为已知，v4.preV=v1（也可以是v4.preV=v3）：
继续，我们找出所有已知顶点（v1、v3、v4）邻接的所有未知顶点：v0、v2、v5、v6，发现与已知顶点邻接边最小的未知顶点是v0、v6，其中未知顶点v0与已知顶点v1的邻接边权重为1，未知顶点v6与已知顶点v4的邻接边权重为1，我们选v6，将v6设为已知，v6.preV=v4：
继续，我们找出所有已知顶点邻接的所有未知顶点：v0、v2、v5，其中与已知顶点的邻接边最小的是v0，未知顶点v0与已知顶点v1的邻接边权重为1，我们将v0设为已知，v0.preV=v1：
继续，找出所有已知顶点邻接的所有未知顶点：v2、v5，发现其中未知顶点v5与已知顶点v6的邻接边权重最小为2，所以我们将v5设为已知，v5.preV=v6：
继续，找出所有已知顶点邻接的所有未知顶点：v2，其中未知顶点v2与已知顶点v5的邻接边权重最小，所以我们将v2设为已知，v2.preV=v5:
继续，发现已经没有哪个已知顶点邻接了未知顶点，所以算法结束。
接下来，我们只要进行这两步操作就可以得出最小生成树：
1.将每个顶点与其preV相连的边标为已知
2.将非已知的边删去。
将每个顶点与其preV相连的边标为已知（注意，v3的preV是自身，此情况我们不做任何操作即可）：
删去非已知的边：
当然，在实际编程中，有可能并不会执行这两个操作，我们只要在将最小生成树的相关信息保存在pathTable中即可，本例中算法结束后pathTable应为如下（与Dijkstra算法使用的pathTable略有不同：没有distance域）：
当然，我们也可以使用和Dijkstra算法时一样的pathTable，即加上distance域，不过在计算最小生成树时，一个顶点的distance域应该是其与preV邻接的边的权重：
在我们走一遍Prim算法时，我们发现v4.preV既可以设为v3，也可以设为v1，这就已经说明了一点：一个图的最小生成树并不一定是唯一的。不过还要注意的是：一个图即便有多个最小生成树，它们的总权重也应该是一样的。
如果你回顾一遍Prim算法和Dijkstra算法，就会发现，Prim算法与Dijkstra算法的区别可以说就两个：
1.Prim算法的“起点”是任选的，Dijkstra算法是给定的（毕竟要找的是单源最短路径）
2.Prim算法在将一个未知顶点设为已知时，其distance设为其与已知顶点的最小邻接边的weight，而Dijkstra算法则是设为已知顶点.distance+weight
换句话说，Prim算法就是稍稍修改了一下的Dijkstra算法。如果你仔细观察我们用Prim算法生成的树，你会发现从v3出发到任意顶点的路径恰好是v3到该顶点的最短路径：
接下来本应讨论Kruskal算法，但是我忽然发现我之前忘了写一篇关于树的集合与不相交集的博文(⊙?⊙)。如果要讨论Kruskal算法，这两个预备知识是必不可少的，而如果这两个知识也要讲解的话，博文就太长了Orz。所以我只简单说说Kruskal的思路。
在Prim算法中，我们是以已知顶点（即已在最小生成树中的顶点）为基础，不断地将未知顶点拉进树中。而Kruskal算法则是另一种思路：以当前最小的边为基础，不断地将未知顶点拉进树中（这个过程可能产生多棵树）。
以下图为例，我们走一遍Kruskal算法：
首先，我们需要将边按权重从小到大排序，才能找“当前最小边”：
先是处理当前最小边[v0，v1]，其所连接的两个顶点均未知，所以我们将它们均设为已知，并连起来：
然后处理下一个当前最小边[v1，v3]，其所连接的v3未知，将v3设为已知，连起来：
接着处理边[v3，v4]，其连接的v4未知，将v4设为已知，连起来：
接着处理边[v1，v4]，其连接的两个顶点均为已知，故跳过
接着处理边[v4，v6]，其连接的v6未知，将v6设为已知，连起来：
接着处理边[v2，v5]，其连接的v2和v5均为未知，所以将v2、v5均设为已知，连起来（注意，此时产生了两棵树）：
接着处理边[v5，v6]，其连接的顶点均为已知，但是v5和v6处于不同的树，所以我们将其连起来（这部分的相关判断和处理需要树的集合知识，以及不相交集数据结构）：
接下来处理的所有边都是所连接顶点已知，且所连接顶点处于同一棵树中，所以均会跳过，然后算法结束。
没有掌握住博文的顺序和铺垫，实在是失败￣△￣
不过Kruskal算法的思路我想我应该讲清楚了，就是Dijkstra算法和Prim算法的讲解可能太生硬了一些，但是细细地读、细细地理解、细细地过一遍，应该还是能明白的?ω?
这个系列的博文的主体部分到这儿就算结束了，从第一篇博文一路看到这儿的话，基本的数据结构和算法应该都能掌握。而像什么B+树、红黑树、算法设计技巧等更特殊的知识我没有算在主体部分中，以后可能会以“浅入浅出数据结构（附）”的标题形式写出。
