算法快学笔记(十四):图的最小生成树算法

2024-02-14 11:08

本文主要是介绍算法快学笔记(十四):图的最小生成树算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. 介绍

最小生成树的应用场景很广,例如电信公司需要将9个村庄进行网络连接,村庄间的距离都不相同,怎么连接才能达到成本最小了?村庄结构图如下:
在这里插入图片描述

V0-V10分别表示村庄,节点间的权重代表距离,连接所有节点的总距离最小,就可以让成本更低。

定义:把构造连通整个图的最小代价生成树称为最小生成树。

2. 相关算法

普利姆与克鲁斯卡尔算法都是贪心算法

2.1 普利姆(Prim)算法

2.1.1 原理

普里姆算法(Prim算法):该算法于1930年由捷克数学家沃伊捷赫·亚尔尼克(英语:Vojtěch Jarník)发现;并在1957年由美国计算机科学家罗伯特·普里姆(英语:Robert C. Prim)独立发现;1959年,艾兹格·迪科斯彻再次发现了该算法。因此,在某些场合,普里姆算法又被称为DJP算法、亚尔尼克算法或普里姆-亚尔尼克算法。

算法的基本步骤如下:

  1. 输入:一个加权连通图,其中顶点集合为V,边集合为E;

  2. 初始化:Vnew = {x},其中x为集合V中的任一节点(起始点),Enew = {},为空;

  3. 重复下列操作,直到Vnew = V:

  • 在集合E中选取权值最小的边<u, v>,其中u为集合Vnew中的元素,而v不在Vnew集合当中,并且v∈V(如果存在有多条满足前述条件即具有相同权值的边,则可任意选取其中之一);
  • 将v加入集合Vnew中,将<u, v>边加入集合Enew中;
  1. 输出:使用集合Vnew和Enew来描述所得到的最小生成树。

算法实例推理步骤如下:
在这里插入图片描述

2.1.2 代码实现

基于邻接矩阵存储结构用Python实现的代码如下:

# -*- coding:utf-8 -*-
# @Author:sunaihua
"""
普里姆算法(Prim算法):最小生成树算法
本实现基于邻接矩阵存储结构
"""
MAX_VALUE = 65536# 图结构的矩阵存储
graph = [[0, 10, MAX_VALUE, MAX_VALUE, MAX_VALUE, 11, MAX_VALUE, MAX_VALUE, MAX_VALUE],[10, 0, 18, MAX_VALUE, MAX_VALUE, MAX_VALUE, 16, MAX_VALUE, 12],[MAX_VALUE, MAX_VALUE, 0, 22, MAX_VALUE, MAX_VALUE, MAX_VALUE, MAX_VALUE, 8],[MAX_VALUE, MAX_VALUE, 22, 0, 20, MAX_VALUE, MAX_VALUE, 16, 21],[MAX_VALUE, MAX_VALUE, MAX_VALUE, 20, 0, 26, MAX_VALUE, 7, MAX_VALUE],[11, MAX_VALUE, MAX_VALUE, MAX_VALUE, 26, 0, 17, MAX_VALUE, MAX_VALUE],[MAX_VALUE, 16, MAX_VALUE, MAX_VALUE, MAX_VALUE, 17, 0, 19, MAX_VALUE],[MAX_VALUE, MAX_VALUE, MAX_VALUE, 16, 7, MAX_VALUE, 19, 0, MAX_VALUE],[MAX_VALUE, 12, 8, 21, MAX_VALUE, MAX_VALUE, MAX_VALUE, MAX_VALUE, 0],
]start_node = 0  # 0节点为初始节点new_v_array = [] #最小生成树的vertex数组
edge_value_array = [] #最小生成树的权值数组
new_e_array = [] #最小生成树的edge数组def prim():v_number = len(graph)latest_edge_target = -1new_v_array.append(start_node)while True:if len(new_v_array) < v_number:smallest_value = MAX_VALUEfor n_index in new_v_array:cur_net = graph[n_index]for index, value in enumerate(cur_net): # 选出new_v_array中所有边的最小值if index not in new_v_array:if (value != 0) and (value <= smallest_value):smallest_value = valuelatest_edge_target = indexlatest_edge_src = n_indexelse:continueprint(new_v_array, n_index, index, value, smallest_value, latest_edge_target)if latest_edge_target not in new_v_array:print("merge:", latest_edge_src, latest_edge_target, smallest_value)new_e_array.append([latest_edge_src, latest_edge_target])new_v_array.append(latest_edge_target)edge_value_array.append(smallest_value)else:breakprint("V seq:", new_v_array)print("E seq:", new_e_array)print("sum value:", sum(edge_value_array))if __name__ == '__main__':prim()

2.1.3 结果

程序的部分输出结果为:

('V seq:', [0, 1, 5, 8, 2, 6, 7, 4, 3])
('E seq:', [[0, 1], [0, 5], [1, 8], [8, 2], [1, 6], [6, 7], [7, 4], [7, 3]])
('sum value:', 99)

连接文章开头部分的最小值为99.

关于时间复杂度问题:

如果记顶点数v,边数e,则采用邻接矩阵的算法复杂度为:

O = V^2

采用邻接表的时间复杂度为:O(elog2v)

2.2 克鲁斯卡尔(Kruskal)算法

2.2.1 原理

Kruskal算法是一种用来寻找最小生成树的算法,由Joseph Kruskal在1956年发表。

算法简单描述如下:

1).记Graph中有v个顶点,e个边

2).新建图Graph_new,Graph_new中拥有原图中相同的e个顶点,但没有边

3).将原图Graph中所有e个边按权值从小到大排序

4).循环:从权值最小的边开始遍历每条边 直至图Graph中所有的节点都在同一个连通分量中,如果 这条边连接的两个节点于图Graph_new中不在同一个连通分量中 则添加这条边到图Graph_new中

推理过程如下:
图例描述:

首先第一步,我们有一张图Graph,有若干点和边

在这里插入图片描述

将所有的边的长度排序,用排序的结果作为我们选择边的依据。这里再次体现了贪心算法的思想。资源排序,对局部最优的资源进行选择,排序完成后,我们率先选择了边AD。这样我们的图就变成了下图

在这里插入图片描述

在剩下的变中寻找。我们找到了CE。这里边的权重也是5

在这里插入图片描述

依次类推我们找到了6,7,7,即DF,AB,BE。

在这里插入图片描述

下面继续选择, BC或者EF尽管现在长度为8的边是最小的未选择的边。但是现在他们已经连通了(对于BC可以通过CE,EB来连接,类似的EF可以通过EB,BA,AD,DF来接连)。所以不需要选择他们。类似的BD也已经连通了(这里上图的连通线用红色表示了)。
最后就剩下EG和FG了。当然我们选择了EG。最后成功的图如下所示:
在这里插入图片描述

2.1.2 实现

# -*- coding:utf-8 -*-
# @Author:sunaihua"""
Kruskal:最小生成树算法
本实现基于邻接矩阵存储结构
"""
import copyMAX_VALUE = 65536# 图结构的矩阵存储
graph = [[0, 10, MAX_VALUE, MAX_VALUE, MAX_VALUE, 11, MAX_VALUE, MAX_VALUE, MAX_VALUE],[10, 0, 18, MAX_VALUE, MAX_VALUE, MAX_VALUE, 16, MAX_VALUE, 12],[MAX_VALUE, MAX_VALUE, 0, 22, MAX_VALUE, MAX_VALUE, MAX_VALUE, MAX_VALUE, 8],[MAX_VALUE, MAX_VALUE, 22, 0, 20, MAX_VALUE, MAX_VALUE, 16, 21],[MAX_VALUE, MAX_VALUE, MAX_VALUE, 20, 0, 26, MAX_VALUE, 7, MAX_VALUE],[11, MAX_VALUE, MAX_VALUE, MAX_VALUE, 26, 0, 17, MAX_VALUE, MAX_VALUE],[MAX_VALUE, 16, MAX_VALUE, MAX_VALUE, MAX_VALUE, 17, 0, 19, MAX_VALUE],[MAX_VALUE, MAX_VALUE, MAX_VALUE, 16, 7, MAX_VALUE, 19, 0, MAX_VALUE],[MAX_VALUE, 12, 8, 21, MAX_VALUE, MAX_VALUE, MAX_VALUE, MAX_VALUE, 0],
]new_v_array = []  # 最小生成树的vertex数组
edge_value_array = []  # 最小生成树的权值数组
new_e_array = []  # 最小生成树的edge数组class Vertex:def __init__(self, distance, x, y):self.distance = distanceself.x = xself.y = ydef __eq__(self, other):if isinstance(other, self.__class__):return self.x == other.y and self.y == other.xelse:return Falsedef __hash__(self):m1 = min(self.x, self.y)m2 = max(self.x, self.y)return hash(("[%s,%s,%s]" % (m1, m2, self.distance)))def __repr__(self):return "[%s,%s,%s]" % (self.x, self.y, self.distance)def find(parent, f):while parent[f] > 0:f = parent[f]return fdef kruskal():edge_with_distance = set()for i, v_net in enumerate(graph):for j, k in enumerate(v_net):if i != j and k != MAX_VALUE:edge_with_distance.add(Vertex(k, i, j))# 根据distance排序,并将利用set特性将相同的节点去掉sorted_graph = sorted(edge_with_distance, key=lambda x: x.distance, reverse=False)parent = [0 for _ in range(len(graph))]for ve in sorted_graph:if len(new_v_array) == (len(graph)):breakn = find(parent, ve.x)m = find(parent, ve.y)# 如果n==m,则表明存在循环节点。if n != m:parent[n] = mprint("parent2:", parent)new_v_array.append(ve)new_e_array.append((ve.x, ve.y))edge_value_array.append(ve.distance)print("V seq:", new_v_array)print("E seq:", new_e_array)print("sum value:", sum(edge_value_array))if __name__ == '__main__':kruskal()

2.1.3 结果

输出结果与Prim结果相同

3. 总结

Prim算法以顶点为起点,逐步寻找顶点上最小权值的边来构建最小生成树,就像参加世博会,先从第一个入口进,然后寻找所在场馆周边最感兴趣的馆,然后再用相同的办法查看下一个。。。。。

Kruskal算法是基于权值最小的边来构建生成树,该思路参加世博园就是先去最想参观的馆,再参观次想参观的馆,最终参观完所有馆。

关于算法效率,Kruskal针对边来展开,边少时效率非常高,是和用于稀疏图。Prim适用于边比较多的场景。

这篇关于算法快学笔记(十四):图的最小生成树算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/708327

相关文章

IDEA自动生成注释模板的配置教程

《IDEA自动生成注释模板的配置教程》本文介绍了如何在IntelliJIDEA中配置类和方法的注释模板,包括自动生成项目名称、包名、日期和时间等内容,以及如何定制参数和返回值的注释格式,需要的朋友可以... 目录项目场景配置方法类注释模板定义类开头的注释步骤类注释效果方法注释模板定义方法开头的注释步骤方法注

Python如何自动生成环境依赖包requirements

《Python如何自动生成环境依赖包requirements》:本文主要介绍Python如何自动生成环境依赖包requirements问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑... 目录生成当前 python 环境 安装的所有依赖包1、命令2、常见问题只生成当前 项目 的所有依赖包1、

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

MySQL中动态生成SQL语句去掉所有字段的空格的操作方法

《MySQL中动态生成SQL语句去掉所有字段的空格的操作方法》在数据库管理过程中,我们常常会遇到需要对表中字段进行清洗和整理的情况,本文将详细介绍如何在MySQL中动态生成SQL语句来去掉所有字段的空... 目录在mysql中动态生成SQL语句去掉所有字段的空格准备工作原理分析动态生成SQL语句在MySQL

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言:为什么要自建知识博客一、技术选型:极简主义开发栈二、系统架构设计三、核心代码实现(分步解析

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

Java利用docx4j+Freemarker生成word文档

《Java利用docx4j+Freemarker生成word文档》这篇文章主要为大家详细介绍了Java如何利用docx4j+Freemarker生成word文档,文中的示例代码讲解详细,感兴趣的小伙伴... 目录技术方案maven依赖创建模板文件实现代码技术方案Java 1.8 + docx4j + Fr

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为