从零开始的图论讲解(1)——图的概念,图的存储,图的遍历与图的拓扑排序

前言

图的概念

1. 顶点和边

2. 图的分类

3. 图的基本性质

图的存储

邻接矩阵存图

邻接表存图

图的基本遍历

拓扑排序

拓扑排序是如何写的呢?

1. 统计每个节点的入度

2. 构建邻接表

3. 将所有入度为 0 的节点加入队列

4. 不断弹出队头节点，更新其相邻节点的入度

5. 判断是否存在环

结尾:

前言

本文将从最基础的概念讲起，介绍 图的存储方式和怎么遍历图(BFS和DFS基本遍历)，并深入 拓扑排序及其应用，帮助你快速入门图论。目标是让你在短时间内掌握图论的核心知识，并具备独立完成 LeetCode 简单及以上难度的图论题目的能力。博客很长,欢迎大家根据目录各取所需.

这是该系列的第一篇,在后面的博客中,笔者还会讲解 最短路径问题（Dijkstra、Bellman-Ford、SPFA） 和 最小生成树（Kruskal、Prim） 等常见算法，帮助你建立图论基础。

笔者自知水平有限, 本博客的质量无法与专业算法书籍相比。但笔者希望通过 通俗易懂的语言，并结合 数据模拟，帮助零基础的读者快速入门图论，并熟悉常见的图论算法模板。对于需要复习的有基础的读者,也可以把该系列博客当成"模板代码托管所",随时备你复习!

目标是让你 不仅能理解算法，还能够在实际中熟练运用，让图论不再只是抽象的概念，而是可以直观感受到的计算过程。

图论是计算机科学中的重要分支，在路径规划、网络流分析、任务调度等多个领域有着广泛应用,学好它对于我们提升代码能力和使用数据结构的能力很有帮助。

好了,前言到此为止,希望您怀揣耐心读下去

博客中出现的参考图都是笔者手画的,代码示例也是笔者手敲的!影响虽小,但请勿抄袭

图的概念

话不多说，首先什么是图？图是由一组顶点（Vertex）和一组边（Edge）组成的结构，通常用于表示事物之间的关系。比如，社交网络中的人和他们之间的关系可以用图来表示；城市之间的道路、交通网络也可以用图来建模。图论研究的就是这些结构以及如何对图进行操作和分析。

1. 顶点和边

顶点（Vertex）：图中的基本元素，表示对象或节点。比如，在社交网络中，每个用户可以看作一个顶点；在城市的道路网中，每个城市可以看作一个顶点。
边（Edge）：表示顶点之间的连接关系，通常可以有方向性或者没有方向性。每条边都连接着两个顶点。边可以表示各种关系，比如朋友之间的关系、城市之间的道路等。

2. 图的分类

图的分类可以依据边的方向性、边的权重等多个方面来进行，常见的分类包括：

无向图（Undirected Graph）：图中的每条边没有方向，表示两个顶点之间的关系是双向的。例如，社交网络中朋友关系就是一种无向图关系。

有向图（Directed Graph）：图中的每条边都有方向，即每条边从一个顶点指向另一个顶点。例如，网页之间的超链接就是一种有向图关系。

加权图（Weighted Graph）：图中的边有权重（权值），表示连接两个顶点之间的代价或距离。例如，城市之间的道路距离或者交通时间。

3. 图的基本性质

邻接关系：在图中，如果两个顶点通过边相连，就称它们是邻接的。对于无向图，如果顶点 A 和顶点 B 之间有边，则 A 和 B 是邻接的；而对于有向图，如果从顶点 A 到顶点 B 有一条边，则称 B 是 A 的邻接顶点。
度（Degree）：顶点的度是与该顶点相连的边的数量。对于无向图，顶点的度是其邻接边的数目；对于有向图，分为入度（指向该顶点的边数）和出度（从该顶点出发的边数）。请牢记这个概念,因为拓扑排序需要用到它.
连通性：如果图中的每一对顶点都有路径相连，则称图是连通的。无向图中的连通性比有向图更容易理解，因为无向图中不区分边的方向，只要两个顶点之间存在路径就视为连通。图的连通性问题也是一个概念很大的问题,有很多分支,感兴趣的读者们可以自己去了解

图的存储

相信很多初学者在学习图论时，会因为对数据结构理解不够深入而感到困惑，尤其是在理解图的存储方式时可能会遇到不少困难。图的存储方式决定了我们如何在计算机中表示和操作图，因此掌握它至关重要。如果你对数组、链表等基本数据结构还不太熟悉，不用担心，在接下来的内容中，我会用通俗易懂的方式来讲解不同的存储方法，帮助你轻松理解它们的优缺点以及适用场景。

因为图中既有节点,又有边(节点与节点之间的关系)，因此，在图的存储中，只需要保存：节点和边关系即可。节点保存比较简单，只需要一段连续空间即可，那边关系该怎么保存呢？

我们主要介绍那么两种,第一种是邻接矩阵,第二种是邻接表,还有一种叫做链式前向星的结构,但是笔者不做介绍.

邻接矩阵存图

首先是邻接矩阵,这是最简单最好理解的存储方法,适用于密度高的图,如果用于稀疏图,那么效果不如邻接表

我们定义二维数组 graph[N][N] 来存图.

如果图是无向无权值图,那么 graph[i][j] == 1 表示点 i 到点 j 有连通

同理表示点 j 到点 i 连通

如果图是有向无权值图,那么 graph[i][j] == 1 表示点 i 到点 j 有连通

graph[j][i] == 1 表示点 j 到点 i 有连通

如果两点 a,b之间没有边相连,那么 grapg[a][b] = 0.

如果带权值,二维数组的值就是两点之间的权值,同样分为无向图与有向图,二维数组的含义与上文同理

例如:

同理,如果矩阵有具体值,那么边就有了权值,这里笔者就不画图了

邻接表存图

不知道各位读者是否对邻接表这个名字很熟悉?是的,之前在介绍哈希表时,笔者就已经介绍过邻接表

[入门JAVA数据结构 JAVADS] 哈希表的初步介绍和代码实现-CSDN博客

邻接表的思想是：每个节点维护一个链表（或数组/列表），记录它连接到的所有节点。对于有权图，我们在记录目标节点的同时，也记录每条边的权值。通俗的说,邻接表就像一个“关系表”，它告诉我们：每个节点直接连接到哪些节点。我们通过这些关系就可以完整地表示出整个图。

以无权有向图为例，假设图如下：

1 → 2  
1 → 3  
2 → 4

那么在邻接表中,是这么被存储的

若这是有权图（比如边的权值分别为 5、7、2），则可以这样表示：

1: (2,5) → (3,7)  
2: (4,2)  
3:  
4:

那么,在JAVA语言中,我们用什么数据结构去组织和描述邻接表呢?

通过图示我们可以看到,这种数据结构要求

能够按“节点编号”快速访问；

每个节点后面还要挂一串“与它相连的边”。

显然,我们可以这么写

List<List<Edge>> graph = new ArrayList<>();

外层 List 的下标表示当前节点编号；

内层 List<Edge> 保存当前节点连接的所有边（每条边都有终点和权值）；

Edge 是我们自己定义的一个类，表示一条边。

这三个结合起来,我们就可以有效的存储图了,第一层的List下标代表起点,第二层List<Edge> 是一个存储Edge的链表,里面有终点坐标和权值,如果是无权图也可以用

List<Integer>.

你可以理解成是一个“数组 + 链表”的组合体，既能快速定位每个节点，又能灵活添加边。

我们再定义一个Edge类

class Edge {int to;      // 目标节点编号int weight;  // 边的权值Edge(int to, int weight) {this.to = to;this.weight = weight;}
}

举个例子,有个图如下所示:

1 → 2 (权值3)
1 → 3 (权值5)
2 → 4 (权值2)

他在邻接表中就长这样

graph[1] -> [(2, 3), (3, 5)]
graph[2] -> [(4, 2)]
graph[3] -> []
graph[4] -> []

我们写一个代码简单构建一下

int n = 4; // 4 个节点，从 1 开始编号
List<List<Edge>> graph = new ArrayList<>();
for (int i = 0; i <= n; i++) {graph.add(new ArrayList<>());
}// 添加边
graph.get(1).add(new Edge(2, 3));
graph.get(1).add(new Edge(3, 5));
graph.get(2).add(new Edge(4, 2));

值得注意的是,上述的例子都是单向图的构建方法, 因为这只是存储了起点和终点,有并不代表终点也可以通往起点,因此,如果是双向图,就要构建两次

例如: 假设 a 点和 b 点是双边互通的,那么就应该这么构建

graph.get(a).add(new Edge(b, w)); // a → b
graph.get(b).add(new Edge(a, w)); // b → a

看到这里的你，哪怕是一名刚刚接触图论的小白，相信也已经不再对“图”这个概念感到陌生了。我们已经了解了图的基本概念、常见分类，以及如何用邻接表在 Java 中高效地存储图结构。

为了节省大家的阅读时间成本，避免重复讲解一些过于基础、但实际中不太常用的内容，接下来的图论部分，我们默认所有图都使用邻接表进行存储。这种方式在实际中应用广泛，简单高效

图的基本遍历

图的遍历是图论中的基本操作之一。无论你是在求连通块、寻找路径，还是在实现更复杂的图算法（比如最短路径、拓扑排序），都绕不开遍历操作。

常见的图遍历方式有两种：

DFS（深度优先搜索）
BFS（广度优先搜索）

这两种遍历中DFS更强调一条路走到黑,而BFS是层层递进的遍历

以下是我给出的代码

import java.util.*;public class GraphTraversal {static int n, m;static final int N = 505;static List<List<Edge>> graph = new ArrayList<>();static boolean[] vis = new boolean[N];// 定义一个边的类 (u->v, 权值w)static class Edge {int v, w;Edge(int v, int w) {this.v = v;this.w = w;}}// 添加一条 u -> v, 权值为 w 的边static void addEdge(int u, int v, int w) {graph.get(u).add(new Edge(v, w));}// BFS 遍历static void BFS(int start) {Arrays.fill(vis,false);Queue<Integer> queue = new LinkedList<>();queue.offer(start);vis[start] = true;System.out.print("BFS :");System.out.print(start+" ");while(!queue.isEmpty()){int temp = queue.poll();for(Edge edge : graph.get(temp)){if(!vis[edge.v]){vis[edge.v] = true;queue.offer(edge.v);System.out.print(edge.v+" ");}}}}// DFS 遍历static void DFS(int node){if(vis[node]){return;}System.out.print(node+" ");vis[node] = true;for(Edge x : graph.get(node)){if(!vis[x.v]){DFS(x.v);}}}public static void main(String[] args) {Scanner scanner = new Scanner(System.in);n = scanner.nextInt();m = scanner.nextInt();// 提前创建 n+1 个 ArrayList，避免越界for (int i = 0; i <= n+1000; i++) {graph.add(new ArrayList<>());}for (int i = 0; i < m; i++) {int a = scanner.nextInt();int b = scanner.nextInt();int c = scanner.nextInt();addEdge(a, b, c);}scanner.close();// 从 1 号节点开始遍历（你可以改成 0）BFS(1);Arrays.fill(vis, false); // 重新初始化 vis 数组System.out.print("DFS: ");DFS(1);System.out.println();}
}

分别是DFS遍历和BFS遍历,通过vis数据去判断结点是否被遍历过,代码很简单

我们给一组示例,如图所示:

我们分别通过DFS和BFS遍历,默认1为起始点

结果如下:

可以看到:

在 BFS（广度优先搜索）中，我们从节点 1 开始遍历。由于 BFS 的特点是按层次逐层访问图的节点，因此它的遍历过程是按照节点距离起点的“层数”来进行的。具体来说：

首先输出起始节点 1，这是第一层。

然后访问与 1 相邻的节点 2 和 3，这就是第二层。

接着，访问与 2 和 3 相邻的节点 4、5，这是第三层。

最后，访问与 4 和 5 相邻的节点 6，这是第四层。

BFS 的核心在于通过队列来保证节点是按照层次顺序被访问的。它总是先访问当前层的所有节点，然后再访问下一层的节点。因此，BFS 是“逐层”访问的。

而 DFS（深度优先搜索）则不同，它的遍历方式是“沿着一条路径一直走到底，然后再回溯”。因此，它会先访问某个节点的所有相邻节点，直到不能再继续为止，然后再回溯到上一个节点，继续访问其他未访问的邻接节点。

首先输出起始节点 1。

然后，DFS 会优先选择一个与 1 相邻的节点进行深入。在这个例子中，它会先访问节点 2。

接下来，DFS 会沿着节点 2 的相邻节点继续深入，直到没有新的节点可以访问。此时会回溯到节点 2，然后继续访问其他未访问的相邻节点。

然后回溯到节点 1，访问与 1 相邻的节点 3，并重复相同的过程，直到所有节点都被访问。

我们来看一道例题:1971. 寻找图中是否存在路径 - 力扣（LeetCode）

这道题就要求我们去遍历图,来判断是否联通

首先我们构建邻接表,然后去遍历判断

首先对于构建邻接表,因为这道题是双向无权图,所以我们可以构建

List<List<Integer>> graph = new ArrayList<>() 来存储图

BFS写法:

class Solution {public boolean validPath(int n, int[][] edges, int source, int destination) {List<List<Integer>> graph = new ArrayList<>();for (int i = 0; i < n; i++){graph.add(new ArrayList<>());}for (int[] edge : edges) {int u = edge[0], v = edge[1];graph.get(u).add(v);graph.get(v).add(u);}boolean[] vis = new boolean[n];Queue<Integer> queue = new LinkedList<>();queue.offer(source);vis[source] = true;while(!queue.isEmpty()){int temp = queue.poll();if(temp == destination){return true;}for(Integer num : graph.get(temp)){if(!vis[num]){vis[num] = true;queue.offer(num);}}}return false;}
}

首先构建双向邻接表,然后遍历

DFS写法: 和上述同理

class Solution {static  boolean[] vis;public  boolean DFS(List<List<Integer>> graph,int st,int ed){if(st == ed){return true;}vis[st] = true;for(Integer num:graph.get(st)){if(!vis[num]){boolean pd = DFS(graph,num,ed);if(pd == true){return true;}}}return  false;}public boolean validPath(int n, int[][] edges, int source, int destination) {List<List<Integer>> graph = new ArrayList<>();for (int i = 0; i < n; i++){graph.add(new ArrayList<>());}for (int[] edge : edges) {int u = edge[0], v = edge[1];graph.get(u).add(v);graph.get(v).add(u);}vis = new boolean[n];boolean pdf = DFS(graph,source,destination);return pdf==true?true:false;}
}

当然,这不是该题的最优解法,但是我们可以通过这题了解BFS与DFS是如何遍历图的.

拓扑排序

拓扑排序可以被看作是BFS,DFS的简单应用,从代码模板上看也是这样的.

"拓扑排序"是图论中一个非常经典的问题，常用于解决“有依赖关系的任务排序问题”。比如学习技术栈,如果我要成为一个合格的JAVA开发工程师,我需要学习很多技术栈

在学习 SpringBoot 之前，必须先掌握 JavaSE 和 JavaEE 的基础；

在学习 MyBatis 前，需要具备一定的数据库基础，比如 SQL；

想要理解分布式系统，还得先了解网络通信、RPC 原理、消息队列等内容；

构建前后端分离项目，也依赖于对前端基础、后端 API 编写等知识的掌握。

但是拓扑排序的前提是图必须是有向且无环的图,如果图中存在环，那么就无法构建出合法的拓扑序列 —— 比如课程 A 依赖课程 B，B 又依赖 A，这样就永远无法开始任何课程。

举个例子:

它拓扑排序的结果应该是:

1 3 2 4 5 6

拓扑排序是如何写的呢?

大概有这么几个步骤

1. 统计每个节点的入度

每个节点的入度是指：有多少条边指向它。我们需要用一个数组来记录每个点的入度。这个在前面也提到了
   static  int []  ingrade;//存储入度
    public  static  void addEdge(int u,int v){graph.get(u).add(v);// 表示 u 到 v 有一条边ingrade[v]++;}
2. 构建邻接表

我们用邻接表来表示图中每个节点的出边（即它连接到哪些后续节点）：
       for(int i = 0;i<=n;i++){graph.add(new ArrayList<>());}for(int i = 0;i<m;i++){int a = scanner.nextInt();int b = scanner.nextInt();addEdge(a,b);}
3. 将所有入度为 0 的节点加入队列

这些节点说明它们没有前置依赖，可以作为起点。我们使用一个队列来进行 BFS

4. 不断弹出队头节点，更新其相邻节点的入度

遍历过程中，每访问一个节点，就“移除”它的影响，也就是把它连接的边都删掉，同时更新这些目标节点的入度。

5. 判断是否存在环

如果最终输出的拓扑序列长度少于 n，说明存在环（即有任务间形成了“循环依赖”）
    public  static  void BFS(){PriorityQueue<Integer> priorityQueue = new PriorityQueue<>();for(int i =1;i<=n;i++){if(ingrade[i]==0)//入度为0{priorityQueue.offer(i);}}while(!priorityQueue.isEmpty()){int node = priorityQueue.poll();result.add(node);for(Integer neighbor : graph.get(node)){ingrade[neighbor]--;//相邻结点入度--if(ingrade[neighbor]==0){priorityQueue.add(neighbor);}}}}

完整代码如下:

import java.util.ArrayList;
import java.util.List;
import java.util.PriorityQueue;
import java.util.Scanner;
//拓扑排序是一种 用于有向无环图（DAG，Directed Acyclic Graph） 的排序方法，它将图中的所有节点排成一个线性序列，使得对于 每一条有向边
//𝑢→𝑣,节点 u 在序列中出现在 v 之前。
public class TopoSortBFS
{static  int n,m;static List<List<Integer>> graph = new ArrayList<>(); // 用邻接表存储图static List<Integer> result = new ArrayList<>();public  static  void addEdge(int u,int v){graph.get(u).add(v);// 表示 u 到 v 有一条边ingrade[v]++;}public  static  void BFS(){PriorityQueue<Integer> priorityQueue = new PriorityQueue<>();for(int i =1;i<=n;i++){if(ingrade[i]==0)//入度为0{priorityQueue.offer(i);}}while(!priorityQueue.isEmpty()){int node = priorityQueue.poll();result.add(node);for(Integer neighbor : graph.get(node)){ingrade[neighbor]--;//相邻结点入度--if(ingrade[neighbor]==0){priorityQueue.add(neighbor);}}}}static  int []  ingrade;//存储入度public static void main(String[] args) {Scanner scanner = new Scanner(System.in);n = scanner.nextInt(); // 读取节点数m = scanner.nextInt(); // 读取边数ingrade = new int[n+1];for(int i = 0;i<=n;i++){graph.add(new ArrayList<>());}for(int i = 0;i<m;i++){int a = scanner.nextInt();int b = scanner.nextInt();addEdge(a,b);}BFS();if(result.size()==n){for(Integer i : result){System.out.print(i+" ");}}else{System.out.println(-1);}}
}

我们可以看一道例题:0恋爱通关游戏 - 蓝桥云课

在这个例题中，我们需要在一个无环图（DAG）中，从起点出发，依次经历多个关卡，根据不同选择提升好感度，直到到达终点关卡，并判断最终好感度是否达到目标值（≥100）。

从图论的角度来看：

每个关卡可以看成是一个图中的节点；

每个选项可以看成是有向边，带有一个权值（即好感度提升值）；

整个游戏流程构成了一张有向无环图（DAG），因为题目明确说明“不会再遇到已结束关卡”，即不存在回环；

最终目标是从起点到某个终点路径中，累积最大好感度，看是否能达到通关标准。

因此，这道题本质上就是在一张 DAG 上找最大路径和 的问题。

为什么是拓扑排序？

这是一个非常典型的拓扑排序应用场景：

只有当一个节点的所有前驱节点都已经被处理完，才能开始计算它的最优值。

换句话说，我们必须尝试过所有能到达该节点的路径，才能确定哪一条路径带来的值最大（或最小）。

所以，我们需要先对整个图进行 拓扑排序，然后按照拓扑序去“刷新”每个点的最大好感度。

题解代码:


import java.util.ArrayList;
import java.util.List;
import java.util.PriorityQueue;
import java.util.Scanner;
import java.util.*;
public class Demo46 {// Edge 用于存边，a->b好感度为c；b就是达到的关卡，c为好感度static class Node{int b, c;public Node(int b, int c){this.b = b; this.c = c;}}static final int N = (int)2e5+10;static int[] dis = new int[N]; // 用于存储到达当前关卡的好感度 cArr[i]  表示到 i 点的好感度static  List<List<Node>> list = new ArrayList<>();static Queue<Integer> queue = new LinkedList<>(); // 入度为0的关卡加入到order列表中，以用于拓扑排序static int[] inDegree = new int[N]; // 记录每个关卡的当前入度static  int res = 0;public static void addEdge(int a,int b,int c){list.get(a).add(new Node(b,c));inDegree[b]++;}public static void BFS() {Arrays.fill(dis, (int) -2e8);// 入度为 0 的点，初始化for (int i = 0; i < n; i++) {if (inDegree[i] == 0) {queue.offer(i);dis[i] = 0;  // 所有入度为 0 的点，都要初始化为 0}}while (!queue.isEmpty()) {int st = queue.poll();// 终点判断：出度为 0 的节点if (list.get(st).isEmpty() && dis[st] >= 100) {res++;}for (Node temp : list.get(st)) {int ed = temp.b;inDegree[ed]--;if (inDegree[ed] == 0) {queue.offer(ed);}dis[ed] = Math.max(dis[ed], dis[st] + temp.c);}}}static int n,m;public static void main(String[] args) {Scanner scanner = new Scanner(System.in);n = scanner.nextInt();m = scanner.nextInt();for(int j = 0;j<=n;j++){list.add(new ArrayList<>());}while(m!=0){m--;int a = scanner.nextInt();int b = scanner.nextInt();int c = scanner.nextInt();addEdge(a,b,c);}BFS();System.out.println(res);}
}