python构造无向图的邻接表,
链表的存储相对于相邻的火炬数组来说,使用起来更加方便,空间的使用也是刚刚好,不会造成太大的空间浪费。所以本文将以链表的形式实现无向图的最短路径搜索,有需要的可以参考。
00-1010前言1。链接表2。最短路径算法2.1无向图的最短路径算法3。摘要
目录
存储图表有两种常见方式:
相邻火炬阵列的优点和缺点是显而易见的。优点简单易懂。对于大部分的图结构来说,都是稀疏的,火炬数组存储空间的使用浪费很大。
链表的存储相对于相邻的火炬数组来说,使用起来更加方便,空间的使用也是刚刚好,不会造成太大的空间浪费。操作也简单。
本文将图结构以链表的形式存储,并在此基础上实现无向图的最短路径搜索。
前言
链接表的存储思路:
当使用链接表存储图形时,有主表和子表.的概念
主表:用于存储图形对象中的所有顶点数据。子表:的每个顶点都维护一个子表来存储与其相邻的所有顶点数据。下图结构中有五个顶点。用链接表保存时,会有一个主表和五个子表。链接表的优点是能够紧凑地表示稀疏图。
在Python中,可以使用列表嵌套来实现链接表,这应该是最简单的表达方式。
g=[
[A0 ,[(B1 ,3),( D3 ,5)]],
[B1 ,[(C2 ,4)]],
[C2 ,[(D3 ,6),( E4 ,1)]],
[D3 ,[(E4 ,2)]],
[E4 ,[(B1 ,7)]],
]
在此基础上,可以做一些简单的常规操作。
查询所有顶点:
对于g:中的节点
打印(节点[0],结束= )
查询顶点及其相邻顶点:
对于g:中的节点
打印(-)
print(node[0], : ,end= )
边=节点[1]
对于边缘中的edges:
v,w=e
print(v,w,end=;)
打印()
当顶点和相邻顶点之间的关系复杂时,这种逐层嵌套的存储格式会令人眼花缭乱。即使要使用这种嵌套方式,也要选择Python中的字典类型,这样查询起来会方便很多。
g={
A0:{B1: 3, D3: 5},
B1: {C2: 4},
C2: {D3: 6, E4: 1},
D3: {E4:2},
E4: {B1: 7}
}
如上,在查询时,无论是便利性还是性能都优于完全列表方案。
查询所有顶点:
对于g.keys()中的节点:
打印(node,end= )
查询与顶点相邻的顶点时,只需提供顶点名称。
打印(“查询与A0项目连接的其他顶点”)
对于k,g.get中的v( A0 )。物品():
print((k,v),end=;)
上面的存储方案适合演示,不适合开发环境,因为顶点本身就有特定的数据内容。
义(如,可能是城市、公交车站、网址、路由器……),且以上存储方案让顶点和其相邻顶点的信息过度耦合,在实际运用时,会牵一发而动全身。
也许一个微不足道的修改,会波动到整个结构的更新。
所以,有必要引于OOP
设计理念,让顶点和图有各自特定数据结构,通过 2 种类类型可以更好地体现图是顶点的集合,顶点和顶点之间的多对多关系。
项点类:
class Vertex:def __init__(self, name, v_id=0):
# 顶点的编号
self.v_id = v_id
# 顶点的名称
self.v_name = name
# 是否被访问过:False 没有 True:有
self.visited = False
# 与此顶点相连接的其它顶点
self.connected_to = {}
顶点类结构说明:
visited
:用于搜索路径算法中,检查节点是否已经被搜索过。connected_to
:存储与项点相邻的顶点信息。这里使用了字典,以顶点为键,权重为值。
图类:
class Graph:def __init__(self):
# 一维列表,保存节点
self.vert_list = {}
# 顶点个数
self.v_nums = 0
# 使用队列模拟队列或栈,用于路径搜索算法
self.queue_stack = []
# 保存搜索到的路径
self.searchPath = []
图类结构说明:
queue_stack
:使用队列模拟栈或队列。用于路径搜索过程中保存临时数据。
怎么使用列表模拟队列或栈?
列表有append()
、pop()
2 个很价值的方法。
append()
用来向列表中添加数据,且每次都是从列表最后面添加。
pop()
默认从列表最后面删除且弹出数据,pop(参数)
可以提供索引值用来从指定位置删除且弹出数据。
使用append()和pop()方法就能模拟栈,从同一个地方进出数据。
使用append()和pop(0)方法就能模拟队列,从后面添加数据,从最前面获取数据
searchPath
:用于保存搜索到的路径数据。
2. 最短路径算法
从图结构可知,从一个顶点到达另一个顶点,可不止一条可行路径,在众多路径我们总是试图选择一条最短路径,当然,需求不同,衡量一个路径是不是最短路径的标准也会不同。
如打开导航系统后,最短路径可能是费用最少的那条,可能是速度最快的那条,也可能是量程数最少的或者是红绿灯是最少的……
在无向图中,以经过的边数最少的路径为最短路径。
在有向加权图中,会以附加在每条边上的权重的数据含义来衡量。权重可以是时间、速度、量程数……
2.1 无向图最短路径算法
查找无向图中任意两个顶点间的最短路径长度,可以直接使用广度搜索算法。如下图求解A0 ~ F5
的最短路径。
Tips:无向图中任意 2 个顶点间的最短路径长度由边数决定。
广度优先搜索算法流程:
广度优先搜索算法的基本原则:以某一顶点为参考点,先搜索离此顶点最近的顶点,再搜索离最近顶点最近的顶点……以此类推,一层一层向目标顶点推进。
如从顶点A0
找到顶点F5
。先从离A0
最近的顶点B1
、D3
找起,如果没找到,再找离B1
、D3
最近的顶点C2
、E4
,如果还是没有找到,再找离C2
、E4
最近的顶点F5
。
因为每一次搜索都是采用最近原则,最后搜索到的目标也一定是最近的路径。
也因为采用最近原则,所以搜索过程中,在搜索过程中所经历到的每一个顶点的路径都是最短路径。最近+最近,结果必然还是最近。
显然,广度优先搜索的最近搜索原则是符合先进先出思想的,具体算法实施时可以借助队列实现整个过程。
算法流程:
1.先确定起始点A0
。
2.找到A0
的 2 个后序顶点B1
、D3
(或者说B1、D3
的前序顶点是A0
),压入队列中。除去起点A0
,B1
、D3
顶点属于第一近压入队列的节点。
B1
和D3
压入队列的顺序并不影响A0
~B1
或A0
~D3
的路径距离(都是 1)。A0
~B1
的最短路径长度为 1A0
~D3
的最短路径长度为 1
3.从队列中搜索B1
时,找到B1
的后序顶点C2
并压入队列。B1
是C2
的前序顶点。
B1
~C2
的最短路径长度为 1,而又因为A0
~B1
的最短路径长度为 1 ,所以A0
~C2
的最短路径为 2
4.B1
搜索完毕后,在队列中搜索B3
时,找到B3
的后序顶点E4
,压入队列。因B1
和D3
属于第一近顶点,所以这 2 个顶点的后序顶点C2
、E4
属于第二近压入队列,或说A0-B1-C2
、A0-D3-E4
的路径距离是相同的(都为 2)。
5.当搜索到C2
时,没有后序顶点,此时队列没有压入操作。
6.当 搜索到E4
时,E4
有 2 个后序顶点C2
、F5
,因C2
已经压入过,所以仅压入F5
。因F5
是由第二近顶点压入,所以F5
是属于第三近压入顶点。
A0-D3-E4-F5
的路径为 3。
编码实现广度优先算法:
在顶点类中添加如下几个方法:
class Vertex:def __init__(self, v_name, v_id=0):
# 顶点的编号
self.v_id = v_id
# 顶点的名称
self.v_name = v_name
# 是否被访问过:False 没有 True:有
self.visited = False
# 与此顶点相连接的其它顶点
self.connected_to = {}
添加邻接顶点
nbr_ver:相邻顶点
weight:无向无权重图,权重默认设置为 1
def add_neighbor(self, nbr_ver, weight=1):
# 以相邻顶点为键,权重为值
self.connected_to[nbr_ver] = weight
显示与当前顶点相邻的顶点
def __str__(self):
return 与 {0} 顶点相邻的顶点有:{1}.format(self.v_name,
str([(key.v_name, val) for key, val in self.connected_to.items()]))
得到相邻顶点的权重
def get_weight(self, nbr_v):
return self.connected_to[nbr_v]
判断给定的顶点是否和当前顶点相邻
def is_neighbor(self, nbr_v):
return nbr_v in self.connected_to
顶点类用来构造一个新顶点,并维护与相邻顶点的关系。
对图类中的方法做一下详细解释:
初始化方法:
class Graph:def __init__(self):
# 一维列表,保存节点
self.vert_list = {}
# 顶点个数
self.v_nums = 0
# 使用队列模拟队列或栈,用于路径搜索算法
self.queue_stack = []
# 保存搜索到的路径
self.searchPath = []
为图添加新顶点方法:
def add_vertex(self, vert):if vert.v_name in self.vert_list:
# 已经存在
return
# 顶点的编号内部生成
vert.v_id = self.v_nums
# 所有顶点保存在图所维护的字典中,以顶点名为键,顶点对象为值
self.vert_list[vert.v_name] = vert
# 数量增一
self.v_nums += 1
顶点的编号由图对象内部指定,便于统一管理。
所有顶点保存在一个字典中,以顶点名称为键,顶点对象为值。也可以使用列表直接保存顶点,根据需要决定。
提供一个根据顶点名称返回顶点的方法:
根据顶点名找到顶点对象
def find_vertex(self, v_name):
if v_name in self.vert_list:
return self.vert_list.get(v_name)
# 查询所有顶点
def find_vertexes(self):
return [str(ver) for ver in self.vert_list.values()]
添加顶点与相邻顶点的关系:此方法属于一个封装方法,本质是调用顶点自身的添加相邻顶点方法。
添加节点与节点之间的关系(边),
如果是无权重图,统一设定为 1
def add_edge(self, from_v, to_v, weight=1):
# 如果节点不存在
if from_v not in self.vert_list:
self.add_vertex(from_v)
if to_v not in self.vert_list:
self.add_vertex(to_v)
from_v.add_neighbor(to_v, weight)
图中核心方法:用来广度优先搜索算法查找顶点与顶点之间的路径
广度优先搜索
def bfs_nearest_path(self, from_v, to_v):
tmp_path = []
tmp_path.append(from_v)
# 起始顶点不用压入队列
from_v.visited = True
# from_v 顶点的相邻顶点压入队列
self.push_queue(from_v)
while len(self.queue_stack) != 0:
# 从队列中获取顶点
v_ = self.queue_stack.pop(0)
if from_v.is_neighbor(v_):
# 如果 v_ 是 from_v 的后序相邻顶点,则连接成一条中路径信息
tmp_path.append(v_)
# 添加路径信息
self.searchPath.append(tmp_path)
tmp_path = tmp_path.copy()
tmp_path.pop()
else:
for path_ in self.searchPath:
tmp_path = path_.copy()
tmp = tmp_path[len(tmp_path) - 1]
if tmp.is_neighbor(v_):
tmp_path.append(v_)
self.searchPath.append(tmp_path)
if v_.v_id == to_v.v_id:
break
else:
self.push_queue(v_)
把某一顶点的相邻顶点压入队列
def push_queue(self, vertex):
# 获取 vertex 顶点的相邻顶点
for v_ in vertex.connected_to.keys():
# 检查此顶点是否压入过
if v_.visited:
continue
vertex.visited = True
self.queue_stack.append(v_)
广度优先搜索算法有一个核心点,当搜索到某一个顶点后,需要找到与此顶点相邻的其它顶点,并压入队列中。push_queue()
方法就是做些事情的。如果某一个顶点曾经进过队列,就不要再重复压入队列了。
测试代码:
测试无向图最短路径
if __name__ == __main__:
# 初始化图
graph = Graph()
# 添加节点
for v_name in [A, B, C, D, E, F]:
v = Vertex(v_name)
graph.add_vertex(v)
# 添加顶点之间关系
v_to_v = [(A, B), (A, D), (B, C), (C, E), (D, E), (E, F)]
# 无向图中每 2 个相邻顶点之间互为关系
for v in v_to_v:
f_v = graph.find_vertex(v[0])
t_v = graph.find_vertex(v[1])
graph.add_edge(f_v, t_v)
graph.add_edge(t_v, f_v)
# 输出所有顶点
print(-----------顶点及顶点之间的关系-------------)
for v in graph.find_vertexes():
print(v)
# 查找路径
print(-------------广度优先搜索--------------------)
# 起始点
f_v = graph.find_vertex(A)
# 目标点
t_v = graph.find_vertex(F)
# 广度优先搜索
graph.bfs_nearest_path(f_v, t_v)
for path in graph.searchPath:
weight = 0
for idx in range(len(path)):
if idx != len(path) - 1:
weight += path[idx].get_weight(path[idx + 1])
print(path[idx].v_name, end=-)
print("的最短路径长度,", weight)
输出结果:
-----------顶点及顶点之间的关系-------------
与 A 顶点相邻的顶点有:[('B', 1), ('D', 1)]
与 B 顶点相邻的顶点有:[('A', 1), ('C', 1)]
与 C 顶点相邻的顶点有:[('B', 1), ('E', 1)]
与 D 顶点相邻的顶点有:[('A', 1), ('E', 1)]
与 E 顶点相邻的顶点有:[('C', 1), ('D', 1), ('F', 1)]
与 F 顶点相邻的顶点有:[('E', 1)]
-------------广度优先搜索--------------------
A-B-的最短路径长度, 1
A-D-的最短路径长度, 1
A-B-C-的最短路径长度, 2
A-D-E-的最短路径长度, 2
A-B-C-E-的最短路径长度, 3
A-D-E-的最短路径长度, 2
A-B-C-E-的最短路径长度, 3
A-D-E-F-的最短路径长度, 3
A-B-C-E-F-的最短路径长度, 4
A-D-E-F-的最短路径长度, 3
A-B-C-E-F-的最短路径长度, 4
广度优先搜索算法也可以使用递归方案:
递归实现
def bfs_nearest_path_dg(self, from_v, to_v):
# 相邻顶点
self.push_queue(from_v)
tmp_v = self.queue_stack.pop(0)
if not tmp_v.visited:
self.searchPath.append(tmp_v)
if tmp_v.v_id == to_v.v_id:
return
self.bfs_nearest_path_dg(tmp_v, to_v)
在无向图中,查找起始点到目标点的最短路径,使用广度优先搜索算法便可实现,但如果是有向加权图,可能不会称心如愿。因有向加权图中的边是有权重的。所以对于有向加权图则需要另择方案。
3. 总结
图数据结构的实现过程中会涉及到其它数据结构的运用。学习、使用图数据结构对其它数据结构有重新认识和巩固作用。
以上就是Python基于链接表实现无向图最短路径搜索的详细内容,更多关于Python无向图最短路径搜索的资料请关注盛行IT软件开发工作室其它相关文章!
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。