图、图的遍历、最小生成树、最短路径

0、图的概念

**图:**是由顶点集合及顶点间的关系组成的一种数据结构:G = (V, E),其中:

  • 顶点集合V = {x|x属于某个数据对象集}是有穷非空集合;
  • 边的集合E = {(x,y)|x,y属于V}或者E = {|x,y属于V && Path(x, y)}是顶点间关系的有穷集合。

(x, y)表示x到y的一条双向通路,即(x, y)是无方向的;Path表示从x到y的一条单向通路,即Path 是有方向的。
**顶点和边:**图中结点称为顶点,第i个顶点记作vi。两个顶点vi和vj相关联称作顶点vi和顶点vj之间有一条边, 图中的第k条边记作ek,ek = (vi,vj)或<vi,vj>。
**有向图和无向图:**在有向图中,顶点对<x,y>是有序的,顶点对<x,y>称为顶点x到顶点y的一条边(弧),<x,y>和<y,x>是两条不同的边,比如下图G3和G4为有向图。在无向图中,顶点对(x, y)是无序的,顶点对(x,y) 称为顶点x和顶点y相关联的一条边,这条边没有特定方向,(x, y)和(y,x)是同一条边,比如下图G1和G2为 无向图。注意:无向边(x, y)等于有向边<x,y>和<y,x>。
image.png

完全图:在有n个顶点的无向图中,若有n * (n-1)/2条边,即任意两个顶点之间有且仅有一条边,则称此图为无向完全图,比如上图G1;在n个顶点的有向图中,若有n * (n-1)条边,即任意两个顶点之间有且仅有方向相反的边,则称此图为有向完全图,比如上图G4。
邻接顶点**:无向图中G中,若(u, v)是E(G)中的一条边,则称u和v互为邻接顶点**,并称边(u,v)依附于顶点u和v;在有向图G中,若是E(G)中的一条边,则称顶点u邻接到v,顶点v邻接自顶点u,并称边与 顶点u和顶点v相关联
顶点的度:顶点v的度是指与它相关联的边的条数,记作deg(v)。在有向图中,顶点的度等于该顶点的入度与 出度之和,其中顶点v的入度是以v为终点的有向边的条数,记作indev(v);顶点v的出度是以v为起始点的有向 边的条数,记作outdev(v)。因此:dev(v) = indev(v) + outdev(v)。注意:对于无向图,顶点的度等于该顶 点的入度和出度,即dev(v) = indev(v) = outdev(v)。
路径:在图G = (V, E)中,若从顶点vi出发有一组边使其可到达顶点vj,则称顶点vi到顶点vj的顶点序列为从 顶点vi到顶点vj的路径。
路径长度:对于不带权的图,一条路径的路径长度是指该路径上的边的条数;对于带权的图,一条路径的路 径长度是指该路径上各个边权值的总和。
image.png
简单路径与回路:若路径上各顶点v1,v2,v3,…,vm均不重复,则称这样的路径为简单路径。若路 径上 第一个顶点v1和最后一个顶点vm重合,则称这样的路径为回路或环
image.png
子图:设图G = {V, E}和图G1 = {V1 ,E1},若V1属于V且E1属于E,则称G1是G的子图。
image.png
连通图:在无向图中,若从顶点v1到顶点v2有路径,则称顶点v1与顶点v2是连通的。如果图中任意一 对顶点 都是连通的,则称此图为连通图。
强连通图:在有向图中,若在每一对顶点vi和vj之间都存在一条从vi到vj的路径,也存在一条从vj到 vi的路 径,则称此图是强连通图。
生成树:一个连通图的最小连通子图称作该图的生成树。有n个顶点的连通图的生成树有n个顶点和n-1条边。

1、如何存储图

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?

1-1、邻接矩阵

因为节点与节点之间的关系就是连通与否,即为0或者1,因此邻接矩阵(二维数组)即是:先用一个数组将定点保存,然后采用矩阵来表示节点与节点之间的关系。
邻接矩阵存储无向图
邻接矩阵存储有向图
注意:

  1. 无向图的邻接矩阵是对称的,第i行(列)元素之和,就是顶点i的度。有向图的邻接矩阵则不一定是对称的,第i行(列)元素之后就是顶点i 的出(入)度。
  2. 如果边带有权值,并且两个节点之间是连通的,上图中的边的关系就用权值代替,如果两个顶点不通,则使用无穷大代替。
  3. 邻接矩阵存储图的优点是能够快速知道两个顶点是否连通,缺陷是如果顶点比较多,边比较少时,矩阵中存储了大量的0成为系数矩阵,比较浪费空间,并且要求两个节点之间的路径不是很好求。
public class Constant {public static final int MAX = Integer.MAX_VALUE;
}
package org.example.graph;import org.example.unionfindset.UnionFindSet;import java.util.*;/*** @Author 12629* @Description: 使用邻接矩阵来存储图*/
public class GraphByMatrix {private char[] arrayV;//顶点数组private int[][] matrix;//矩阵private boolean isDirect;//是否是有向图/*** 此时* @param size 代表当前顶点的个数* @param isDirect*/public GraphByMatrix(int size,boolean isDirect) {this.arrayV = new char[size];matrix = new int[size][size];for (int i = 0; i < size; i++) {Arrays.fill(matrix[i],Constant.MAX);}this.isDirect = isDirect;}public void initArrayV(char[] array) {for (int i = 0; i < array.length; i++) {arrayV[i] = array[i];}}/**** @param srcV 起点* @param destV 终点* @param weight 权值*/public void addEdge(char srcV,char destV,int weight) {int srcIndex = getIndexOfV(srcV);int destIndex = getIndexOfV(destV);matrix[srcIndex][destIndex] = weight;//如果是无向图 那么相反的位置 也同样需要置为空if(!isDirect) {matrix[destIndex][srcIndex] = weight;}}/*** 获取顶点V的下标* @param v* @return*/private int getIndexOfV(char v) {for (int i = 0; i < arrayV.length; i++) {if(arrayV[i] == v) {return i;}}return -1;}/*** 获取顶点的度:有向图 = 入度+出度* @param v* @return*/public int getDevOfV(char v) {int count = 0;int srcIndex = getIndexOfV(v);for (int i = 0; i < arrayV.length; i++) {if(matrix[srcIndex][i] != Constant.MAX) {count++;}}//计算有向图的入度if(isDirect) {for (int i = 0; i <  arrayV.length; i++) {if(matrix[i][srcIndex] != Constant.MAX) {count++;}}}return count;}public void printGraph() {for (int i = 0; i < arrayV.length; i++) {System.out.print(arrayV[i]+" ");}System.out.println();for (int i = 0; i < matrix.length; i++) {for (int j = 0; j < matrix[i].length; j++) {if(matrix[i][j] == Constant.MAX) {System.out.print("∞ ");}else {System.out.print(matrix[i][j]+" ");}}System.out.println();}}public void bfs(char v) {//1、定义一个visited数组 标记当前这个顶点是不是已经被 访问的boolean[] visited = new boolean[arrayV.length];//2、定义一个队列,来辅助完成广度优先遍历Queue<Integer> queue = new LinkedList<>();int srcIndex = getIndexOfV(v);queue.offer(srcIndex);while (!queue.isEmpty()) {int top = queue.poll();System.out.print(arrayV[top]+"->");visited[top] = true;//每次弹出一个元素 就置为truefor (int i = 0; i < arrayV.length; i++) {if(matrix[top][i] != Constant.MAX && !visited[i]) {queue.offer(i);visited[i] = true;}}}}/*** 深度优先遍历* @param v*/public void dfs(char v) {boolean[] visited = new boolean[arrayV.length];int srcIndex = getIndexOfV(v);dfsChild(srcIndex,visited);}private void dfsChild(int srcIndex,boolean[] visited) {System.out.print(arrayV[srcIndex]+"->");visited[srcIndex] = true;for (int i = 0; i < arrayV.length; i++) {if(matrix[srcIndex][i] != Constant.MAX && !visited[i]) {dfsChild(i,visited);}}}/*** 定义了一个边的抽象类*/static class Edge {public int srcIndex;public int destIndex;public int weight;//权重public Edge(int srcIndex, int destIndex, int weight) {this.srcIndex = srcIndex;this.destIndex = destIndex;this.weight = weight;}}/*** 克鲁斯卡尔算法 实现* @param minTree* @return*/public int kruskal(GraphByMatrix minTree) {//1、定义一个优先级队列 用来存储边PriorityQueue<Edge> minQ = new PriorityQueue<>(new Comparator<Edge>() {@Overridepublic int compare(Edge o1, Edge o2) {return o1.weight - o2.weight;}});int n = arrayV.length;//顶点的个数//2. 遍历邻接矩阵,把所有的边,放到优先级队列当中for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(i < j && matrix[i][j] != Constant.MAX) {minQ.offer(new Edge(i,j,matrix[i][j]));}}}UnionFindSet ufs = new UnionFindSet(n);//3、开始从 优先级队列当中 取边int size = 0;int totalWight = 0;while (size < n-1 && !minQ.isEmpty()) {Edge edge = minQ.poll();int srcIndex = edge.srcIndex;int destIndex = edge.destIndex;if(!ufs.isSameUnionFindSet(srcIndex,destIndex)) {//添加到最小生成树当中minTree.addEdgeUseIndex(srcIndex,destIndex,matrix[srcIndex][destIndex]);System.out.println("选择的边:"+arrayV[srcIndex]+"->"+arrayV[destIndex]+":"+matrix[srcIndex][destIndex]);size++;//记录添加的边的条数totalWight+= matrix[srcIndex][destIndex];//记录最小生成树的 权值ufs.union(srcIndex,destIndex);}}if(size == n-1) {return totalWight;}else {return -1;//没有最小生成树}}private void addEdgeUseIndex(int srcIndex,int destIndex,int weight) {matrix[srcIndex][destIndex] = weight;//如果是无向图 那么相反的位置 也同样需要置为空if(!isDirect) {matrix[destIndex][srcIndex] = weight;}}public static void testGraphMinTree() {String str = "abcdefghi";char[] array =str.toCharArray();GraphByMatrix g = new GraphByMatrix(str.length(),false);g.initArrayV(array);g.addEdge('a', 'b', 4);g.addEdge('a', 'h', 8);//g.addEdge('a', 'h', 9);g.addEdge('b', 'c', 8);g.addEdge('b', 'h', 11);g.addEdge('c', 'i', 2);g.addEdge('c', 'f', 4);g.addEdge('c', 'd', 7);g.addEdge('d', 'f', 14);g.addEdge('d', 'e', 9);g.addEdge('e', 'f', 10);g.addEdge('f', 'g', 2);g.addEdge('g', 'h', 1);g.addEdge('g', 'i', 6);g.addEdge('h', 'i', 7);GraphByMatrix  kminTree = new GraphByMatrix(str.length(),false);System.out.println(g.kruskal(kminTree));kminTree.printGraph();}//起点public int prim(GraphByMatrix minTree,char chV) {int srcIndex = getIndexOfV(chV);//存储已经确定的点Set<Integer> setX = new HashSet<>();//先把确定的顶点放到集合当中setX.add(srcIndex);//初始化Y集合 ,存储的是 未确定的顶点Set<Integer> setY = new HashSet<>();int n = arrayV.length;for (int i = 0; i < n; i++) {if(i != srcIndex) {setY.add(i);}}//定义一个优先级队列PriorityQueue<Edge> minQ = new PriorityQueue<>(new Comparator<Edge>() {@Overridepublic int compare(Edge o1, Edge o2) {return o1.weight - o2.weight;}});//遍历srcIndex连接出去的所边for (int i = 0; i < n; i++) {if(matrix[srcIndex][i] != Constant.MAX) {minQ.offer(new Edge(srcIndex,i,matrix[srcIndex][i]));}}int size = 0;int totalWeight = 0;//遍历优先级队列,取出n-1条边while (!minQ.isEmpty()) {Edge min = minQ.poll();int srcI = min.srcIndex;int desT = min.destIndex;if(setX.contains(desT)) {//构成环System.out.println("构成环的边:"+arrayV[srcI]+"->"+arrayV[desT]+":"+matrix[srcI][desT]);}else {minTree.addEdgeUseIndex(srcI,desT,min.weight);System.out.println("选择的边:"+arrayV[srcI]+"->"+arrayV[desT]+":"+matrix[srcI][desT]);totalWeight += min.weight;size++;if(size == n-1) {return totalWeight;}//更新两个集合的setX.add(desT);setY.remove(desT);//把destI连接出去的所有边,也放到优先级队列当中for (int i = 0; i < n; i++) {if(matrix[desT][i] != Constant.MAX && !setX.contains(i)) {minQ.offer(new Edge(desT,i,matrix[desT][i]));}}}}return -1;}public static void testGraphMinTreePrim() {String str = "abcdefghi";char[] array =str.toCharArray();GraphByMatrix g = new GraphByMatrix(str.length(),false);g.initArrayV(array);g.addEdge('a', 'b', 4);g.addEdge('a', 'h', 8);//g.addEdge('a', 'h', 9);g.addEdge('b', 'c', 8);g.addEdge('b', 'h', 11);g.addEdge('c', 'i', 2);g.addEdge('c', 'f', 4);g.addEdge('c', 'd', 7);g.addEdge('d', 'f', 14);g.addEdge('d', 'e', 9);g.addEdge('e', 'f', 10);g.addEdge('f', 'g', 2);g.addEdge('g', 'h', 1);g.addEdge('g', 'i', 6);g.addEdge('h', 'i', 7);GraphByMatrix  primTree = new GraphByMatrix(str.length(),false);System.out.println(g.prim(primTree,'a'));primTree.printGraph();}/**** @param vSrc 指定的起点* @param dist 距离数组* @param pPath 路径*/public void dijkstra(char vSrc,int[] dist,int[] pPath) {int srcIndex = getIndexOfV(vSrc);//距离数据初始化Arrays.fill(dist,Constant.MAX);dist[srcIndex] = 0;//路径数组初始化Arrays.fill(pPath,-1);pPath[srcIndex] = 0;//当前顶点是否被访问过?int n = arrayV.length;boolean[] s = new boolean[n];//n个顶点,要更新n次,每次都要从0下标开始,找到一个最小值for (int k = 0; k < n; k++) {int min = Constant.MAX;int u = srcIndex;for (int i = 0; i < n; i++) {if(s[i] == false && dist[i] < min) {min = dist[i];u = i;//更新u下标}}s[u] = true;//u:s//松弛u连接出去的所有的顶点 vfor (int v = 0; v < n; v++) {if(s[v] == false && matrix[u][v] != Constant.MAX&& dist[u] + matrix[u][v] < dist[v]) {dist[v] = dist[u] + matrix[u][v];pPath[v] = u;//更新当前的路径}}}}public void printShortPath(char vSrc,int[] dist,int[] pPath) {int srcIndex = getIndexOfV(vSrc);int n = arrayV.length;for (int i = 0; i < n; i++) {//i下标正好是起点  则不进行路径的打印if(i != srcIndex) {ArrayList<Integer> path = new ArrayList<>();int pathI = i;while (pathI != srcIndex) {path.add(pathI);pathI = pPath[pathI];}path.add(srcIndex);Collections.reverse(path);for (int pos : path) {System.out.print(arrayV[pos]+" -> ");}System.out.println(dist[i]);}}}public static void testGraphDijkstra() {/*String str = "syztx";char[] array = str.toCharArray();GraphByMatrix g = new GraphByMatrix(str.length(),true);g.initArrayV(array);g.addEdge('s', 't', 10);g.addEdge('s', 'y', 5);g.addEdge('y', 't', 3);g.addEdge('y', 'x', 9);g.addEdge('y', 'z', 2);g.addEdge('z', 's', 7);g.addEdge('z', 'x', 6);g.addEdge('t', 'y', 2);g.addEdge('t', 'x', 1);g.addEdge('x', 'z', 4);*//*搞不定负权值*/String str = "sytx";char[] array = str.toCharArray();GraphByMatrix g = new GraphByMatrix(str.length(),true);g.initArrayV(array);g.addEdge('s', 't', 10);g.addEdge('s', 'y', 5);g.addEdge('t', 'y', -7);g.addEdge('y', 'x', 3);int[] dist = new int[array.length];int[] parentPath = new int[array.length];g.dijkstra('s', dist, parentPath);System.out.println("dasfa");g.printShortPath('s', dist, parentPath);}public boolean bellmanFord(char vSrc,int[] dist,int[] pPath) {int srcIndex = getIndexOfV(vSrc);//距离数据初始化Arrays.fill(dist,Constant.MAX);dist[srcIndex] = 0;//路径数组初始化Arrays.fill(pPath,-1);pPath[srcIndex] = 0;int n = arrayV.length;for (int k = 0; k < n; k++) {for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(matrix[i][j] != Constant.MAX &&dist[i] + matrix[i][j] < dist[j]) {dist[j] = dist[i] + matrix[i][j];pPath[j] = i;}}}}for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(matrix[i][j] != Constant.MAX &&dist[i] + matrix[i][j] < dist[j]) {return false;}}}return true;}public static void testGraphBellmanFord() {String str = "syztx";char[] array = str.toCharArray();GraphByMatrix g = new GraphByMatrix(str.length(),true);g.initArrayV(array);g.addEdge('s', 't', 6);g.addEdge('s', 'y', 7);g.addEdge('y', 'z', 9);g.addEdge('y', 'x', -3);g.addEdge('z', 's', 2);g.addEdge('z', 'x', 7);g.addEdge('t', 'x', 5);g.addEdge('t', 'y', 8);g.addEdge('t', 'z', -4);g.addEdge('x', 't', -2);//负权回路实例/* g.addEdge('s', 't', 6);g.addEdge('s', 'y', 7);g.addEdge('y', 'z', 9);g.addEdge('y', 'x', -3);g.addEdge('y', 's', 1);g.addEdge('z', 's', 2);g.addEdge('z', 'x', 7);g.addEdge('t', 'x', 5);g.addEdge('t', 'y', -8);g.addEdge('t', 'z', -4);g.addEdge('x', 't', -2);*/int[] dist = new int[array.length];int[] parentPath = new int[array.length];boolean flg = g.bellmanFord('s', dist, parentPath);if(flg) {g.printShortPath('s', dist, parentPath);}else {System.out.println("存在负权回路");}}public void floydWarShall(int[][] dist,int[][] pPath) {int n = arrayV.length;for (int i = 0; i < n; i++) {Arrays.fill(dist[i],Constant.MAX);Arrays.fill(pPath[i],-1);}for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(matrix[i][j] != Constant.MAX) {dist[i][j] = matrix[i][j];pPath[i][j] = i;}else {pPath[i][j] = -1;}if(i == j) {dist[i][j] = 0;pPath[i][j] = -1;}}}for (int k = 0; k < n; k++) {for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(dist[i][k] != Constant.MAX &&dist[k][j] != Constant.MAX &&dist[i][k] + dist[k][j] < dist[i][j]) {dist[i][j] = dist[i][k] + dist[k][j];//更新父节点下标//pPath[i][j] = k;//不对//如果经过了 i->k  k->j  此时是k//i->x->s->k   k->..t->...x->jpPath[i][j] = pPath[k][j];}}}// 测试 打印权值和路径矩阵观察数据for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(dist[i][j] == Constant.MAX) {System.out.print(" * ");}else{System.out.print(dist[i][j]+" ");}}System.out.println();}System.out.println("=========打印路径==========");for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {System.out.print(pPath[i][j]+" ");}System.out.println();}System.out.println("=================");}}public static void testGraphFloydWarShall() {String str = "12345";char[] array = str.toCharArray();GraphByMatrix g = new GraphByMatrix(str.length(),true);g.initArrayV(array);g.addEdge('1', '2', 3);g.addEdge('1', '3', 8);g.addEdge('1', '5', -4);g.addEdge('2', '4', 1);g.addEdge('2', '5', 7);g.addEdge('3', '2', 4);g.addEdge('4', '1', 2);g.addEdge('4', '3', -5);g.addEdge('5', '4', 6);int[][] dist = new int[array.length][array.length];int[][] parentPath = new int[array.length][array.length];g.floydWarShall(dist,parentPath);for (int i = 0; i < array.length; i++) {g.printShortPath(array[i],dist[i],parentPath[i]);System.out.println("************************");}}public static void main(String[] args) {testGraphFloydWarShall();}public static void main1(String[] args) {GraphByMatrix graph = new GraphByMatrix(4,false);char[] array = {'A','B','C','D'};graph.initArrayV(array);graph.addEdge('A','B',1);graph.addEdge('A','D',1);graph.addEdge('B','A',1);graph.addEdge('B','C',1);graph.addEdge('C','B',1);graph.addEdge('C','D',1);graph.addEdge('D','A',1);graph.addEdge('D','C',1);//graph.bfs('B');graph.dfs('B');//graph.printGraph();//System.out.println(graph.getDevOfV('A'));}}

1-2、邻接表

邻接表:使用数组表示顶点的集合,使用链表表示边的关系。
邻接表存储无向图
注意:无向图中同一条边在邻接表中出现了两次。如果想知道顶点vi的度,只需要知道顶点vi边链表集 合中结点的数目即可。
邻接表存储有向图
注意:有向图中每条边在邻接表中只出现一次,与顶点vi对应的邻接表所含结点的个数,就是该顶点的 出度,也称出度表,要得到vi顶点的入度,必须检测其他所有顶点对应的边链表,看有多少边顶点的dst 取值是i。

public class Constant {public static final int MAX = Integer.MAX_VALUE;
}
package org.example.graph;import java.util.ArrayList;public class GraphByNode {static class Node {public int src;//起始位置public int dest;//目标位置public int weight;//权重public Node next;public Node(int src, int dest, int weight) {this.src = src;this.dest = dest;this.weight = weight;}}public char[] arrayV;public ArrayList<Node> edgList;//存储边public boolean isDirect;public GraphByNode(int size,boolean isDirect) {this.arrayV = new char[size];edgList = new ArrayList<>(size);for (int i = 0; i < size; i++) {edgList.add(null);}this.isDirect = isDirect;}/*** 初始化顶点数组* @param array*/public void initArrayV(char[] array) {for (int i = 0; i < array.length; i++) {arrayV[i] = array[i];}}/*** 添加边* @param srcV* @param destV* @param weight*/public void addEdge(char srcV,char destV,int weight) {int srcIndex = getIndexOfV(srcV);int destIndex = getIndexOfV(destV);addEdgeChild(srcIndex,destIndex,weight);//无向图 需要添加两条边if(!isDirect) {addEdgeChild(destIndex,srcIndex,weight);}}private void addEdgeChild (int srcIndex , int destIndex,int weight) {//这里拿到是头节点Node cur = edgList.get(srcIndex);while (cur != null) {if(cur.dest == destIndex) {return;}cur = cur.next;}//之前没有存储过这条边Node node = new Node(srcIndex,destIndex,weight);node.next = edgList.get(srcIndex);edgList.set(srcIndex,node);}private int getIndexOfV(char v) {for (int i = 0; i < arrayV.length; i++) {if(arrayV[i] == v) {return i;}}return -1;}public void printGraph() {for (int i = 0; i < arrayV.length; i++) {System.out.print(arrayV[i]+"->");Node cur = edgList.get(i);while (cur != null) {System.out.print(arrayV[cur.dest]+" ->");cur = cur.next;}System.out.println();}}/*** 获取顶点的度* @param v* @return*/public int getDevOfV(char v) {int count = 0;int srcIndex = getIndexOfV(v);Node cur = edgList.get(srcIndex);while (cur != null) {count++;cur = cur.next;}//只是计算了出度if(isDirect) {int destIndex = srcIndex;for (int i = 0; i < arrayV.length; i++) {if(i == destIndex) {continue;}else {Node pCur = edgList.get(i);while (pCur != null) {if(pCur.dest == destIndex) {count++;}pCur = pCur.next;}}}}return count;}public static void main(String[] args) {GraphByNode graph = new GraphByNode(4,true);char[] array = {'A','B','C','D'};graph.initArrayV(array);graph.addEdge('A','B',1);graph.addEdge('A','D',1);graph.addEdge('B','A',1);graph.addEdge('B','C',1);graph.addEdge('C','B',1);graph.addEdge('C','D',1);graph.addEdge('D','A',1);graph.addEdge('D','C',1);System.out.println("getDevOfV:: "+graph.getDevOfV('A'));graph.printGraph();}}

2、图的遍历

给定一个图G和其中任意一个顶点v0,从v0出发,沿着图中各边访问图中的所有顶点,且每个顶点仅被遍历 一次。"遍历"即对结点进行某种操作的意思。 请思考树以前是怎么遍历的,此处可以直接用来遍历图吗?为什么?

2-1、图的广度优先遍历(层序遍历)

image.png
image.png
比如现在要找东西,假设有三个抽屉,东西在那个抽屉不清楚,现在要将其找到,广度优先遍历的做法是:

  1. 先将三个抽屉打开,在最外层找一遍。
  2. 将每个抽屉中红色的盒子打开,再找一遍。
  3. 将红色盒子中绿色盒子打开,再找一遍。

直到找完所有的盒子,注意:每个盒子只能找一次,不能重复找。

public void bfs(char v) {
//1、定义一个visited数组 标记当前这个顶点是不是已经被 访问的
boolean[] visited = new boolean[arrayV.length];
//2、定义一个队列,来辅助完成广度优先遍历
Queue<Integer> queue = new LinkedList<>();
int srcIndex = getIndexOfV(v);
queue.offer(srcIndex);
while (!queue.isEmpty()) {int top = queue.poll();System.out.print(arrayV[top]+"->");visited[top] = true;//每次弹出一个元素 就置为truefor (int i = 0; i < arrayV.length; i++) {if(matrix[top][i] != Constant.MAX && !visited[i]) {queue.offer(i);visited[i] = true;}}
}
}

2-2、图的深度优先遍历

比如现在要找东西,假设有三个抽屉,东西在那个抽不清楚,现在要将其找到,广度优先遍历的做法是:

  1. 先将第一个抽屉打开,在最外层找一遍
  2. 将第一个抽屉中红盒子打开,在红盒子中找一遍
  3. 将红盒子中绿盒子打开,在绿盒子中找一遍
  4. 递归查找剩余的两个盒子

深度优先遍历:将一个抽屉一次性遍历完(包括该抽屉中包含的小盒子),再去递归遍历其他盒子
image.png

public void dfs(char v) {
boolean[] visited = new boolean[arrayV.length];
int srcIndex = getIndexOfV(v);
dfsChild(srcIndex,visited);}private void dfsChild(int srcIndex,boolean[] visited) {System.out.print(arrayV[srcIndex]+"->");visited[srcIndex] = true;for (int i = 0; i < arrayV.length; i++) {if(matrix[srcIndex][i] != Constant.MAX && !visited[i]) {dfsChild(i,visited);}}
}

3、图的最小生成树

连通图中的每一棵生成树,都是原图的一个极大无环子图,即:**从其中删去任何一条边,生成树就不在连通;反之,在其中引入任何一条新边,都会形成一条回路。 **
**若连通图由n个顶点组成,则其生成树必含n个顶点和n-1条边。**因此构造最小生成树的准则有三条:

  1. 只能使用图中的边来构造最小生成树。
  2. 只能使用恰好n-1条边来连接图中的n个顶点。
  3. 选用的n-1条边不能构成回路。

构造最小生成树的方法Kruskal算法Prim算法。这两个算法都采用了逐步求解的贪心策略
贪心算法:是指在问题求解时,总是做出当前看起来最好的选择。也就是说贪心算法做出的不是整体最优的 的选择,而是某种意义上的局部最优解。贪心算法不是对所有的问题都能得到整体最优解。

3-1、Kruskal算法

Kruskal算法是一种用于查找图的最小生成树(Minimum Spanning Tree, MST)的贪心算法。最小生成树是连接图中所有顶点的边的集合,并且这些边的总权重最小,同时还要保证这些顶点是连通的。Kruskal算法的基本思想是按照边的权重从小到大的顺序选择边,但是要保证加上这条边后不会导致图中出现环。Kruskal算法的步骤如下:

  1. 排序:将图中的所有边按照权重从小到大排序。
  2. 初始化:创建一个空的边集合,用于存放最终的最小生成树的边。
  3. 遍历:按照排序后的顺序,依次考虑每条边。
    • 如果加入这条边后不会导致图中出现环,则将这条边加入到最小生成树的边集合中。
  4. 检查环:可以使用并查集(Union-Find)数据结构来快速判断加入一条边是否会导致环的产生。
  5. 结束条件:当边集合中的边数等于图中顶点数减一时,或者所有边都被考虑过时,算法结束。

Kruskal算法的时间复杂度主要取决于边的排序和并查集的操作。如果使用优先队列(例如最小堆)来排序边,时间复杂度为O(E log E),其中E是边的数量。并查集的操作(查找和合并)的时间复杂度为O(α(N)),其中N是顶点数,α是阿克曼函数的反函数,通常认为α(N)的增长速度非常慢,对于实际问题可以近似认为是常数。
Kruskal算法适用于边稠密的图,因为它首先考虑的是边的权重,而不是顶点的连接情况。与之相对的是Prim算法,它是一种基于顶点的贪心算法,适用于顶点稠密的图。
Kruskal算法流程图

总结:每次寻找全局最小的不构成环的边。
两个问题:
1、如何找到最小的边:优先级队列(小根堆)。
2、如何判断是否成环:使用并查集判断两个节点是否在同一个集合里面,这条边的两个点在同一个集合里面,就说明加上这条边就会成环。

public int kruskal(GraphByMatrix minTree) {
//1、定义一个优先级队列 用来存储边
PriorityQueue<Edge> minQ = new PriorityQueue<>(new Comparator<Edge>() {@Overridepublic int compare(Edge o1, Edge o2) {return o1.weight - o2.weight;}
});int n = arrayV.length;//顶点的个数
//2. 遍历邻接矩阵,把所有的边,放到优先级队列当中
for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(i < j && matrix[i][j] != Constant.MAX) {minQ.offer(new Edge(i,j,matrix[i][j]));}}
}
UnionFindSet ufs = new UnionFindSet(n);
//3、开始从 优先级队列当中 取边
int size = 0;
int totalWight = 0;
while (size < n-1 && !minQ.isEmpty()) {Edge edge = minQ.poll();int srcIndex = edge.srcIndex;int destIndex = edge.destIndex;if(!ufs.isSameUnionFindSet(srcIndex,destIndex)) {//添加到最小生成树当中minTree.addEdgeUseIndex(srcIndex,destIndex,matrix[srcIndex][destIndex]);System.out.println("选择的边:"+arrayV[srcIndex]+"->"+arrayV[destIndex]+":"+matrix[srcIndex][destIndex]);size++;//记录添加的边的条数totalWight+= matrix[srcIndex][destIndex];//记录最小生成树的 权值ufs.union(srcIndex,destIndex);}
}if(size == n-1) {return totalWight;
}else {return -1;//没有最小生成树
}
}private void addEdgeUseIndex(int srcIndex,int destIndex,int weight) {matrix[srcIndex][destIndex] = weight;//如果是无向图 那么相反的位置 也同样需要置为空if(!isDirect) {matrix[destIndex][srcIndex] = weight;}
}
import java.util.Arrays;public class UnionFindSet {public int[] elem;public UnionFindSet(int n) {this.elem = new int[n];Arrays.fill(elem,-1);}/*** 查找数据x 的根节点* @param x* @return 下标*/public int findRoot(int x) {if(x < 0) {throw new IndexOutOfBoundsException("下标不合法,是负数");}while (elem[x] >= 0 ) {x = elem[x];//1  0}return x;}/*** 查询x1 和 x2 是不是同一个集合* @param x1* @param x2* @return*/public boolean isSameUnionFindSet(int x1,int x2) {int index1 = findRoot(x1);int index2 = findRoot(x2);if(index1 == index2) {return true;}return false;}/*** 这是合并操作* @param x1* @param x2*/public void union(int x1,int x2) {int index1 = findRoot(x1);int index2 = findRoot(x2);if(index1 == index2) {return;}elem[index1] = elem[index1] + elem[index2];elem[index2] = index1;}public int getCount() {int count = 0;for (int x : elem) {if(x <  0) {count++;}}return count;}public void print() {for (int x : elem) {System.out.print(x+" ");}System.out.println();}//省份的数量public int findCircleNum(int[][] isConnected) {int n = isConnected.length;UnionFindSet ufs = new UnionFindSet(n);for(int i = 0;i < isConnected.length;i++) {for(int j = 0;j < isConnected[i].length;j++) {if(isConnected[i][j] == 1) {ufs.union(i,j);}}}return ufs.getCount();}//等式的满足性public boolean equationsPossible(String[] equations) {UnionFindSet ufs = new UnionFindSet(26);for(int i = 0; i < equations.length;i++) {if(equations[i].charAt(1) == '=') {ufs.union(equations[i].charAt(0)-'a',equations[i].charAt(3)-'a');}}for(int i = 0; i < equations.length;i++) {if(equations[i].charAt(1) == '!') {int index1 = ufs.findRoot(equations[i].charAt(0)-'a');int index2 = ufs.findRoot(equations[i].charAt(3)-'a');if(index1 == index2) {return false;}}}return true;}public static void main(String[] args) {String[] str = {"a==b","b!=a"};//equationsPossible(str);}//亲戚题public static void main2(String[] args) {int n = 10;int m = 3;int p = 2;UnionFindSet unionFindSet = new UnionFindSet(n);System.out.println("合并:0和6:");unionFindSet.union(0,6);unionFindSet.union(0,1);System.out.println("合并:3和7:");unionFindSet.union(3,7);System.out.println("合并:4和8:");unionFindSet.union(4,8);System.out.println("以下是不是亲戚:");boolean flg = unionFindSet.isSameUnionFindSet(1,8);if(flg) {System.out.println("是亲戚!");}else {System.out.println("不是亲戚!");}System.out.println("当亲的亲戚关系 "+unionFindSet.getCount()+" 对!");}public static void main1(String[] args) {UnionFindSet unionFindSet = new UnionFindSet(10);System.out.println("合并:0和6:");unionFindSet.union(0,6);System.out.println("合并:0和7:");unionFindSet.union(0,7);System.out.println("合并:0和8:");unionFindSet.union(0,8);System.out.println("合并:1和4:");unionFindSet.union(1,4);System.out.println("合并:1和9:");unionFindSet.union(1,9);System.out.println("合并:2和3:");unionFindSet.union(2,3);System.out.println("合并:2和5:");unionFindSet.union(2,5);unionFindSet.print();System.out.println("合并:8和1:");unionFindSet.union(8,1);unionFindSet.print();System.out.println("查找是不是同一个集合");System.out.println(unionFindSet.isSameUnionFindSet(6, 9));System.out.println(unionFindSet.isSameUnionFindSet(8, 2));}
}

3-2、Prim算法

Prim算法是一种用于寻找图的最小生成树(MST)的算法。以下是Prim算法的详细步骤:

  1. 选择起始顶点:从图中任意选择一个顶点作为起始点,并将其加入到最小生成树的集合中。
  2. 初始化:创建一个优先队列(最小堆),用于存储所有从已选择顶点到未选择顶点的边,以及这些边的权重。
  3. 循环:在图中还有未选择的顶点时,重复以下步骤:
    • 从优先队列中取出权重最小的边。这条边连接一个已选择的顶点和一个未选择的顶点。
    • 将这条边添加到最小生成树中,并将对应的未选择顶点加入到已选择顶点集合中。
    • 更新优先队列:将所有从新加入的顶点出发的边加入到优先队列中,如果这些边的另一端顶点还未被选择。
  4. 结束条件:当所有顶点都被包含在最小生成树中,或者优先队列变空时,算法结束。

Prim算法的时间复杂度主要取决于优先队列的操作。如果使用普通的优先队列,算法的时间复杂度为O(E log V),其中E是边的数量,V是顶点的数量。如果使用斐波那契堆作为优先队列,算法的时间复杂度可以降低到O(E + V log V)。
Prim算法适用于顶点稠密的图,因为它每次都是选择连接到已选择顶点集合的最小边,而不是像Kruskal算法那样选择全局最小的边。这使得Prim算法在顶点数量远大于边的数量时效率更高。
image.png

public int prim(GraphByMatrix minTree,char chV) {int srcIndex = getIndexOfV(chV);//存储已经确定的点Set<Integer> setX = new HashSet<>();//先把确定的顶点放到集合当中setX.add(srcIndex);//初始化Y集合 ,存储的是 未确定的顶点Set<Integer> setY = new HashSet<>();int n = arrayV.length;for (int i = 0; i < n; i++) {if(i != srcIndex) {setY.add(i);}}//定义一个优先级队列PriorityQueue<Edge> minQ = new PriorityQueue<>(new Comparator<Edge>() {@Overridepublic int compare(Edge o1, Edge o2) {return o1.weight - o2.weight;}});//遍历srcIndex连接出去的所边for (int i = 0; i < n; i++) {if(matrix[srcIndex][i] != Constant.MAX) {minQ.offer(new Edge(srcIndex,i,matrix[srcIndex][i]));}}int size = 0;int totalWeight = 0;//遍历优先级队列,取出n-1条边while (!minQ.isEmpty()) {Edge min = minQ.poll();int srcI = min.srcIndex;int desT = min.destIndex;if(setX.contains(desT)) {//构成环System.out.println("构成环的边:"+arrayV[srcI]+"->"+arrayV[desT]+":"+matrix[srcI][desT]);}else {minTree.addEdgeUseIndex(srcI,desT,min.weight);System.out.println("选择的边:"+arrayV[srcI]+"->"+arrayV[desT]+":"+matrix[srcI][desT]);totalWeight += min.weight;size++;if(size == n-1) {return totalWeight;}//更新两个集合的setX.add(desT);setY.remove(desT);//把destI连接出去的所有边,也放到优先级队列当中for (int i = 0; i < n; i++) {if(matrix[desT][i] != Constant.MAX && !setX.contains(i)) {minQ.offer(new Edge(desT,i,matrix[desT][i]));}}}}return -1;}

从某一个点开始,局部选择权值最小的不成环的路径,局部选择是指与已选顶点相连的那些边。

两个问题:
如何选怎局部最小边:每加入一个顶点,就将与该顶点相连的边为选怎的边加入到优先级队列中
如何判断环路:并查集。

4、最短路径

最短路径问题:从在带权图的某一顶点出发,找出一条通往另一顶点的最短路径,最短也就是沿路径各边的权值总 和达到最小。

4-1、 单源最短路径–Dijkstra算法

单源最短路径问题:给定一个图G = ( V , E ) G=(V,E)G=(V,E),求源结点s ∈ V s∈Vs∈V到图中每个结点v ∈ V v∈Vv∈V的最短路径。Dijkstra算法就适用于解决带权重的有向图上的单源最短路径问题,同时算法要 求图中所有边的权重非负。一般在求解最短路径的时候都是已知一个起点和一个终点,所以使用Dijkstra算法 求解过后也就得到了所需起点到终点的最短路径。 针对一个带权有向图G,将所有结点分为两组S和Q,S是已经确定最短路径的结点集合,在初始时为空(初始 时就可以将源节点s放入,毕竟源节点到自己的代价是0),Q 为其余未确定最短路径的结点集合,每次从Q 中找出一个起点到该结点代价最小的结点u ,将u 从Q 中移出,并放入S 中,对u 的每一个相邻结点v 进行松 弛操作。松弛即对每一个相邻结点v ,判断源节点s到结点u 的代价与u 到v 的代价之和是否比原来s 到v 的代 价更小,若代价比原来小则要将s 到v 的代价更新为s 到u 与u 到v 的代价之和,否则维持原样。如此一直循 环直至集合Q 为空,即所有节点都已经查找过一遍并确定了最短路径,至于一些起点到达不了的结点在算法 循环后其代价仍为初始设定的值,不发生变化。Dijkstra算法每次都是选择V-S中最小的路径节点来进行更 新,并加入S中,所以该算法使用的是贪心策略。** Dijkstra算法存在的问题是不支持图中带负权路径,如果带有负权路径,则可能会找不到一些路径的最短路径。 **

image.png

第一步初始化,第二步遍历s的出度跟新了到达y、t的最短距离,在第三步中可以选择遍历y的出度,也可以选择遍历t的出度,Dijkstra算法是选择先遍历小的哪一个也就是y顶点。
算法中添加了cheak数组第三步中y顶点已经被遍历过来标记cheak[y]=true;当遍历t的时候就不会在从t走向y了,因为权值都是正数,而刚才在选择先遍历谁的时候就已经说明从s到y比s到t近、说明s经过t在到达y的距离只会更远,所以当cheak[y]被标记后说明s到y的最短路径已经找到了,后续经过别的顶点也可到y顶点的路径不可能会更小了。

public void dijkstra(char vSrc,int[] dist,int[] pPath) {int srcIndex = getIndexOfV(vSrc);//距离数据初始化Arrays.fill(dist,Constant.MAX);dist[srcIndex] = 0;//路径数组初始化Arrays.fill(pPath,-1);pPath[srcIndex] = 0;//当前顶点是否被访问过?int n = arrayV.length;boolean[] s = new boolean[n];//n个顶点,要更新n次,每次都要从0下标开始,找到一个最小值for (int k = 0; k < n; k++) {int min = Constant.MAX;int u = srcIndex;for (int i = 0; i < n; i++) {if(s[i] == false && dist[i] < min) {min = dist[i];u = i;//更新u下标}}s[u] = true;//u:s//松弛u连接出去的所有的顶点 vfor (int v = 0; v < n; v++) {if(s[v] == false && matrix[u][v] != Constant.MAX&& dist[u] + matrix[u][v] < dist[v]) {dist[v] = dist[u] + matrix[u][v];pPath[v] = u;//更新当前的路径}}}
}
public void printShortPath(char vSrc,int[] dist,int[] pPath) {int srcIndex = getIndexOfV(vSrc);int n = arrayV.length;for (int i = 0; i < n; i++) {//i下标正好是起点  则不进行路径的打印if(i != srcIndex) {ArrayList<Integer> path = new ArrayList<>();int pathI = i;while (pathI != srcIndex) {path.add(pathI);pathI = pPath[pathI];}path.add(srcIndex);Collections.reverse(path);for (int pos : path) {System.out.print(arrayV[pos]+" -> ");}System.out.println(dist[i]);}}
}

4-2、 单源最短路径–Bellman-Ford算法

Dijkstra算法只能用来解决正权图的单源最短路径问题,但有些题目会出现负权图。这时这个算法就不能帮助 我们解决问题了,而bellman—ford算法可以解决负权图的单源最短路径问题。它的优点是可以解决有负权 边的单源最短路径问题,而且可以用来判断是否有负权回路。它也有明显的缺点,它的时间复杂度 O(N*E) (N是点数,E是边数)普遍是要高于Dijkstra算法O(N²)的。像这里如果我们使用邻接矩阵实现,那么遍历所有 边的数量的时间复杂度就是O(N^3),这里也可以看出来Bellman-Ford就是一种暴力求解更新。
image.png

该算法计算谋起点到其他顶点的最短距离,如果有负权回路,一直转圈路径和一直减小,这种情况则返回false。如果没有负权回路,返回ture,可以找到每个顶点的最短路径。
如何判断是否有负权回路:在执行一次循环体即可,若有负权回路存在,每次指向循环体相当于围着负权回路绕了一圈,就会有顶点的最短路径更新,此时直接判定为有负权回路存在,返回false,如果循环体执行后没有顶点的最短路径更新,说明从起点到所有顶点的最短路径都已经找了,该图没有负权回路,返回true。

public boolean bellmanFord(char vSrc,int[] dist,int[] pPath) {int srcIndex = getIndexOfV(vSrc);//距离数据初始化Arrays.fill(dist,Constant.MAX);dist[srcIndex] = 0;//路径数组初始化Arrays.fill(pPath,-1);pPath[srcIndex] = 0;int n = arrayV.length;for (int k = 0; k < n; k++) {// i,j循环是在遍历说有的边,可以改成双重循环for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(matrix[i][j] != Constant.MAX &&dist[i]!=Constant.MAX &&dist[i] + matrix[i][j] < dist[j]) {dist[j] = dist[i] + matrix[i][j];pPath[j] = i;}}}}for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(matrix[i][j] != Constant.MAX &&dist[i] + matrix[i][j] < dist[j]) {return false;}}}return true;
}
public class BellmanFord {// 用于表示图中的边static class Edge {int source, dest, weight;Edge(int source, int dest, int weight) {this.source = source;this.dest = dest;this.weight = weight;}}// 执行Bellman-Ford算法static boolean bellmanFord(int V, Edge[] edges, int source) {// 从源点到所有顶点的距离初始化为无穷大,除了源点自身int[] distance = new int[V];for (int i = 0; i < V; i++) {distance[i] = Integer.MAX_VALUE;}distance[source] = 0;// 遍历所有边V-1次for (int i = 1; i < V; i++) {for (Edge edge : edges) {if (distance[edge.source] != Integer.MAX_VALUE &&distance[edge.source] + edge.weight < distance[edge.dest]) {distance[edge.dest] = distance[edge.source] + edge.weight;}}}// 检查是否存在负权重环for (Edge edge : edges) {if (distance[edge.source] != Integer.MAX_VALUE &&distance[edge.source] + edge.weight < distance[edge.dest]) {return false; // 如果可以进一步更新距离,说明存在负权重环}}return true; // 图中不存在负权重环}// 主函数,用于测试Bellman-Ford算法public static void main(String[] args) {int V = 5; // 顶点的数量Edge[] edges = new Edge[] {new Edge(0, 1, -1), new Edge(0, 2, 4),new Edge(1, 2, 3), new Edge(1, 3, 2),new Edge(1, 4, 2), new Edge(3, 1, 1),new Edge(4, 0, 6), new Edge(4, 3, -3)};boolean hasNegativeCycle = bellmanFord(V, edges, 0);if (hasNegativeCycle) {System.out.println("Graph contains a negative weight cycle");} else {System.out.println("Vertex \t Distance from Source");for (int i = 0; i < V; i++) {System.out.println(i + " \t\t " + (Integer.MAX_VALUE == edges[0].distance[i] ? "INF" : edges[0].distance[i]));}}}
}

4-3、 多源最短路径–Floyd-Warshall算法

Floyd-Warshall算法是解决任意两点间的最短路径的一种算法()。 Floyd算法考虑的是一条最短路径的中间节点,即简单路径p={v1,v2,…,vn}上除v1和vn的任意节点。 设k是p 的一个中间节点,那么从i到j的最短路径p就被分成i到k和k到j的两段最短路径p1,p2。p1是从i到k且中间节 点属于{1,2,…,k-1}取得的一条最短路径。p2是从k到j且中间节点属于{1,2,…,k-1}取得的一条最短路径。
image.png
可以滚动数组进行空间优化

image.png

填表顺序不重要!填表不漏即可。

image.png

public void floydWarShall(int[][] dist,int[][] pPath) {int n = arrayV.length;for (int i = 0; i < n; i++) {Arrays.fill(dist[i],Constant.MAX);Arrays.fill(pPath[i],-1);}for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(matrix[i][j] != Constant.MAX) {dist[i][j] = matrix[i][j];pPath[i][j] = i;}else {pPath[i][j] = -1;}if(i == j) {dist[i][j] = 0;pPath[i][j] = -1;}}}for (int k = 0; k < n; k++) {for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(dist[i][k] != Constant.MAX &&dist[k][j] != Constant.MAX &&dist[i][k] + dist[k][j] < dist[i][j]) {dist[i][j] = dist[i][k] + dist[k][j];//更新父节点下标//pPath[i][j] = k;//不对//如果经过了 i->k  k->j  此时是k//i->x->s->k   k->..t->...x->jpPath[i][j] = pPath[k][j];}}}// 测试 打印权值和路径矩阵观察数据for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {if(dist[i][j] == Constant.MAX) {System.out.print(" * ");}else{System.out.print(dist[i][j]+" ");}}System.out.println();}System.out.println("=========打印路径==========");for (int i = 0; i < n; i++) {for (int j = 0; j < n; j++) {System.out.print(pPath[i][j]+" ");}System.out.println();}System.out.println("=================");}
}

Floyd-傻子也能看懂的弗洛伊德算法

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/46533.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

浅学三次握手

数据要完成传输&#xff0c;必须要建立连接。由于建立TCP连接的过程需要来回3次&#xff0c;所以&#xff0c;将这个过程形象的叫做三次握手。 结合上面的图来看更清楚。 先说三次握手吧&#xff0c;连接是后续数据传输的基础。就像我们打电话一样&#xff0c;必须保证我和对方…

在 PostgreSQL 里如何实现数据的实时监控和性能瓶颈的快速定位?

&#x1f345;关注博主&#x1f397;️ 带你畅游技术世界&#xff0c;不错过每一次成长机会&#xff01;&#x1f4da;领书&#xff1a;PostgreSQL 入门到精通.pdf 文章目录 在 PostgreSQL 里如何实现数据的实时监控和性能瓶颈的快速定位一、数据实时监控的重要性二、PostgreSQ…

shell,重定向与管道符号

文章目录 一&#xff0c;什么是shell二&#xff0c;shell脚本和作用1. shell脚本2. 作用 三&#xff0c;shell脚本的构成内容四&#xff0c;创建和运行Shell脚本五&#xff0c;重定向与管道操作1. 交互式硬件设备2. 重定向操作概览表3. 管道操作 一&#xff0c;什么是shell sh…

Matlab 判断直线上一点

文章目录 一、简介二、实现代码三、实现效果参考资料一、简介 判断一个点是否位于一直线上有很多方法,这里使用一种很有趣的坐标:Plucker线坐标,它的定义如下所示: 这个坐标有个很有趣的性质,我们可以使用Plucker坐标矢量构建一个Plucker矩阵: 则它与位于对应线上的齐次点…

排序(三)——归并排序(MergeSort)

欢迎来到繁星的CSDN&#xff0c;本期内容主要包括归并排序(MergeSort)的实现 一、归并排序的主要思路 归并排序和上一期讲的快速排序很像&#xff0c;都利用了分治的思想&#xff0c;将一整个数组拆成一个个小数组&#xff0c;排序完毕后进行再排序&#xff0c;直到整个数组排序…

文章管理小程序的设计

管理员账户功能包括&#xff1a;系统首页&#xff0c;个人中心&#xff0c;作者管理&#xff0c;文章管理&#xff0c;文章分类管理&#xff0c;论坛&#xff0c;系统管理 微信端账号功能包括&#xff1a;系统首页&#xff0c;文章&#xff0c;论坛&#xff0c;我的 开发系统…

代码随想录算法训练营第五十四天|99.岛屿数量 深搜、广搜、100.岛屿的最大面积

99.岛屿数量 题目链接&#xff1a;99.岛屿数量 文档讲解&#xff1a;代码随想录 状态&#xff1a;不会 深搜 思路&#xff1a; 遍历网格&#xff0c;发现岛屿&#xff1a;我们需要遍历整个二维网格&#xff0c;检查每一个位置上的元素。如果在遍历过程中遇到陆地&#xff08;…

计网(1.1~1.4)

1.1计算机网络在信息时代的作用 21世纪的重要特征数字化、网络化和信息化 有三类网络&#xff1a;电信网络、有线电视网络和计算机网络 互联网两个重要基本特点&#xff0c;即连通性和共享 1.2因特网概述 &#xff08;1&#xff09;网络、互联网和互连网 网络:由若干结点和连接…

企业全历史行为数据 让你对竞争对手的一切清清楚楚

关于商业竞争&#xff0c;在刚进入信息时代的那些年&#xff0c;人们说“现代商战就是信息战”&#xff0c;强调用非对称的或者更快获得的信息来赢得竞争&#xff1b;近些年进入大数据时代&#xff0c;人们又说“得数据者得天下”&#xff0c;发现“数据算法”有很多妙用&#…

2024 Q1:AVP时代下全球XR头显市场动态与展望

随着苹果Vision Pro&#xff08;AVP&#xff09;的发布&#xff0c;空间计算时代正式拉开序幕&#xff0c;全球扩展现实&#xff08;XR&#xff09;产业迎来新的发展机遇与挑战。尽管苹果的加入激发了市场活力&#xff0c;但2024年第一季度的XR头显市场却呈现出复杂多变的格局&…

压缩视频的最佳方法,视频压縮大小不影响画质

在数字媒体时代&#xff0c;视频已成为我们记录生活和传递信息的重要方式。但随着视频分辨率的提升和拍摄时长的增加&#xff0c;视频文件的大小也随之“膨胀”。大视频文件不仅占用大量存储空间&#xff0c;还在分享和传输过程中造成不便。如何在保证画质的前提下&#xff0c;…

《基于 LatentFactor + Redis + ES 实现动态药房分配方法》

&#x1f4e2; 大家好&#xff0c;我是 【战神刘玉栋】&#xff0c;有10多年的研发经验&#xff0c;致力于前后端技术栈的知识沉淀和传播。 &#x1f497; &#x1f33b; 近期刚转战 CSDN&#xff0c;会严格把控文章质量&#xff0c;绝不滥竽充数&#xff0c;欢迎多多交流。&am…

LabVIEW液压数据采集测试系统

液压系统是装载机的重要组成部分&#xff0c;通过液压传动和控制实现各项作业功能&#xff0c;如提升、倾斜、转向等。液压系统的性能直接影响装载机的作业效率和稳定性。为了保证装载机液压系统的正常运行和优化设计&#xff0c;需要对其进行数据采集和测试。本文介绍了一套基…

vue学习day09-自定义指令、插槽

29、自定义指令 &#xff08;1&#xff09;概念&#xff1a;自己定义的指令&#xff0c;可以封装一些dom操作&#xff0c;扩展额外的功能。 &#xff08;2&#xff09;分类&#xff1a; 1&#xff09;全局注册 2&#xff09;局部注册 3&#xff09;示例&#xff1a; 让表…

gorm多表联合查询 Joins方法 LEFT JOIN , RIGHT JOIN , INNER JOIN, FULL JOIN 使用总结

gorm中多表联合查询&#xff0c;我们可以使用Joins来完成&#xff0c;这个Joins方法很灵活&#xff0c;我们可以非常方便的多多表进行联合查询&#xff0c; 我们先来看看这个方法的官方定义和使用示例&#xff1a; Joins方法定义和使用示例 当然我们这里要说的使用方式是官方示…

CUDA编程 - clock 学习记录

clock 学习记录 一、完整代码二、核函数流程三、main 函数流程四、学习总结&#xff08;共享内存的声明和使用&#xff09;&#xff1a;4.1、例子4.2、数据从全局内存复制到共享内存&#xff1a; 该程序利用CUDA并行计算能力&#xff0c;执行归约操作以找到每个块内的最小值&am…

Spark项目通用开发框架

文章目录 1. 大数据项目结构2. 类说明2.1 公共接口类2.2 TaskNameEnum指定每个任务的名称2.3 TaskRunner中编写任务的业务逻辑 3. 任务执行脚本 每个公司内部都有一套自己的架子&#xff0c;一般新人来了就直接在已有的架子上开发业务。 以下仅仅作为记录下自己使用的架子&…

16_网络IPC1-套接字描述符

用户数据报协议(UDP) 与 传输控制协议(TCP) 文件描述符函数使用套接字的行为 禁止套接字IO

vue 自定义滚动条同步拖动(移动端)

实现效果&#xff0c;拖动左右箭头实现图片区域同步滚动&#xff0c;到边缘停止拖动。 HTML代码 <template><div touchstart"onClick"><!--使用draggable组件 图片列表区域--><draggablev-model"select_list"end"onEnd"cl…

[Windows] 无需PS基础也香 Inpaint v10.2高级便携版

描述 对于经常在互联网上进行操作的学生&#xff0c;白领等&#xff01; 一款好用的软件总是能得心应手&#xff0c;事半功倍。 今天给大家带了一款高科技软件 Inpaint v10.2高级便携版 无需额外付费&#xff0c;永久免费&#xff01; 亲测可运行&#xff01;&#xff01; 内容…