标签：off mic tac get 图片 href 比较 span 代码
1、邻接点：对于无向图无v1 与v2之间有一条弧，则称v1与v2互为邻接点；对于有向图而言<v1,v2>代表有一条从v1到v2的弧，则称v2为v1的邻接点。
2、度：就是与该顶点相互关联的弧的个数。
3、连通图：无向图的每个顶点之间都有可达路径，则称该无向图为连通图。有向图每个顶点之间都有<v1,v2>和<v2,v1>，则称此有向图为强连通图。
1、邻接矩阵存储（Adjacency Matrix）
对无权图，顶点之间有弧标1，无弧标0；
对有权图，顶点之间有弧标权，无弧标无穷大；
2、邻接表（看书吧，精力有限不想画图了）
其实深度优先和广度优先，最重要的是要掌握其思想，而不是具体的实现，因为万变不离其宗。
1、DFS深度优先
①从v0出发访问v0
②找到刚访问过得顶点，访问其未访问过得邻接点中的一个。重复②直到不再有邻接点位置。
③回溯，返回前一个被访问过但是仍有未被访问过得邻接点的顶点，继续访问它的下一个邻接点。重复②直至完全遍历。
可能我描述的不够准确，但那也没有办法，应为有些东西真的是只能意会。学计算机必须要结合具体的例子来看。
原图：
DFS
其实简单来说：就是如果访问到的结点有邻接点就一直向下访问，否则就回溯。同树中的先根遍历很类似。
数据存储结构：
String[] vertex = new String[] {"v0","v1","v2","v3","v4","v5"}; int[][] matrix = new int[][] { {0,1,0,1,0,0}, {1,0,1,0,1,0}, {0,1,0,0,0,0}, {1,0,0,0,0,1}, {0,1,0,0,0,0}, {0,0,0,1,0,0} }; int[] visited = new int[6];//标记访问过得结点
递归实现：
void matrixDFS(int v0) { System.out.print(vertex[v0] + " "); visited[v0] = 1; //遍历寻找v0的邻接点 for(int i = 0; i < vertex.length; i++) { if(matrix[v0][i] == 1 && visited[i] == 0) { matrixDFS(i); } } }
非递归实现：
//基于栈的非递归实现 void matrixDFS1(int v0) { Stack<Integer> stack = new Stack<Integer>(); stack.push(v0); while(!stack.isEmpty()) { int v = stack.pop(); if(visited[v] == 0) {//栈中很可能有重复的元素 System.out.print(vertex[v] + " "); visited[v] = 1; for(int i = 0; i < matrix.length; i++) { if(matrix[v][i] == 1 && visited[i] == 0) { stack.push(i); } } } } }
2、BFS深度优先遍历
①访问v0
②访问v0所以未被访问过的邻接点
③分别以这些邻接点（②中的邻接点）出发，去访问他们的邻接点。重复③知道遍历结束。
BFS就比较像树中的层次遍历
代码实现：
void matrixBFS2(int v0) { Queue<Integer> queue = new LinkedList<>(); queue.offer(v0); while(!queue.isEmpty()) { int v = queue.poll(); if(visited[v] == 0) { System.out.print(vertex[v] + " "); visited[v] = 1; for(int i = 0; i < vertex.length; i++) { if(matrix[v][i] == 1 && visited[i] == 0) { queue.offer(i); } } } } }
可以看到这段代码和DFS递归实现的代码差别只是一个用栈一个用队列。
DFS：访问v0，邻接点如栈
BFS：访问v0，邻接点入队
我们的目标不是要掌握这些具体的实现，而是理解DFS与BFS算法的思想，将其活学活用。
标签：off mic tac get 图片 href 比较 span 代码
原文地址：https://www.cnblogs.com/mgblogs/p/11662955.html
