图的应用(王建德).ppt

图型问题的解题策略 图的的定义 如果数据元素集合D中的各元素之间存在任意的前后件关系R，则此数据结构G=（D，R）称为图。如果将数据元素抽象为结点，元素之间的前后件关系用边表示，则图亦可以表示为G=（V，E），其中V是结点的有穷（非空）集合，E为边的集合。如果元素a是元素b的前件，这种前后件关系对应的边用(a，b)表示，即(a，b)∈E。 现实生活中的许多问题可以转化为图,并可以借助图论的经典算法解决。 深度优先搜索（dfs） 广度优先搜索(bfs) 借助无向图的传递闭包解题 计算图的最小点基，至少添多少边才可使有向图变成强连通图 计算图的最小生成树 计算拓扑序列 计算单源最短路问题 图的遍历 给出一个图G和其中任意一个结点V0，从V0出发系统地访问G中所有结点，每一个结点被访问一次，这就叫图的遍历。遍历图的结果是按访问顺序将结点排成一个线性序列。遍历图的算法是求解图的连通性问题、拓朴排序和求关键路径等算法的基础。通常有两种遍历方法： ⑴深度优先搜索（dfs） ⑵广度优先搜索(bfs) 它们对无向图和有向图都适用。我们以相邻矩阵存储结构给出深度优先搜索和广度优先搜索的程序。 深度优先搜索 深度优先搜索类似于树的前序遍历，是树的前序遍历的推广。其搜索过程如下： 假设初始时所有结点未曾被访问。深度优先搜索从某个结点V0出发，访问此结点。然后依次从V0的未被访问的邻接点出发深度优先遍历图，直至图中所有和V0有路径相连的结点都被访问到。若此时图中尚有结点未被访问，则另选一个未曾访问的结点作起始点，重复上述过程，直至图中所有结点都被访问为止。换句话说，深度优先搜索遍历图的过程是以V0为起始点，由左而右，依次访问由V0出发的每条路径。 注意 1、将原问题转化为图 2、尽可能在搜索前计算出初始解和约束条件借助的变量值（初始化工作） 3、准确定义搜索的状态、搜索范围和约束条件 交易 在n个城市间连接了m条道路，连接每条道路的两个城市间可进行一次交易，产生一定的收益。请设计一个能产生最大经济效益的交易方案。 输入：城市数n(1≤n≤100)和道路数m(m0)；以下有m行，每行为“i j v”表示城市i和城市j之间进行一次交易的收益为v； 输出：n个整数。与城市i进行一次交易的城市序号为其中第i个整数；如果没有城市与城市i进行交易，则第i个整数为0。 数据类型 var n,m,i,j,k,n0,a,b:integer; g:array[1..max,1..max]of real;{无向有权图} bt,w,aw:real;{ bt为最大经济效益} hv:array[1..max]of real;{ 每个城市的交易量} vt:array[1..max]of boolean;{未交易标志} ans,bans:array[1..max]of byte;{ bans为最佳交易方案，其中bans[i]为与城市i进行一次交易的城市序号；ans 为当前交易方案} 1、预处理 贪心计算最大经济效益bt和交易方案bans的初始值 inc(n); for i:=1 to n-1 do g[i,n]:=0; bt:=0;{ 最大经济效益初始化} fillchar(vt,sizeof(vt),0); fillchar(bans,sizeof(bans),0);{每个城市的交易对象初始化} for i:=1 to n-1 do{搜索每一个未交易城市i} if not vt[i] then begin k:=0;{在与城市i相连的未交易城市里选择交易量最大的城市k} for j:=i+1 to n do if not vt[j] and ((k=0) or (g[i,j]g[i,k]))then k:=j; if (k0) and (g[i,k]=0){若城市k存在，则设定城市i与城市k交易，交易量记入经济效益} then begin bt:=bt+g[i,k]; bans[i]:=k; bans[k]:=i; vt[k]:=true end end; 2、递归计算最大经济效益和交易方案 状态(nw，lg）：当前考察的城市now和最大可交易量lg