求无向连通图的最小生成树算法.docVIP

求无向连通图的最小生成树算法——Prim与Kruskal及相关优化最小生成树是图论里很重要的部分。但是由于它属于图论所以NOIP基本不考，对于NOI又太基础，所以竞赛中出现的几率比较小，即使要考也不可能考裸的生成树算法= = 最小生成树就Prim和Kruskal两个算法，又没有多大的优化余地，所以学习起来还是很简单的。 ???? 一.Prim算法 1.算法思想 对于图G=(V,E)，用Prim算法求最小生成树T=(S,TE)的流程如下 ① 初始化：设S、TE为空集，任选节点K加入S。 ② 选取一条权值最小的边（X,Y），其中X∈S，且not (Y∈S） 即，选取一条权值最小的、连接着S中一点与S外一点的边。 将Y加入S中，边（X，Y）加入TE中 重复② 直到V=S即所有G中的点都在S中，此时的T为G的最小生成树。 由此流程可见，Prim算法求最小生成树时任何时候的T都是一颗树。 ???????? 2.实现 显然，Prim算法的主要运行时间花在过程②的选边中。看起来复杂度是O(VE)=O(V^3)不是么，效率也太低了吧…… ????????????????????????????????????? ?????? 为了比较快速地选边，我们用两个数组lowcost、closest动态地维护每一个点到S的最短距离。在某一状态下，lowcost[i]表示所有与i相连且另一端点在S中的边中的权值最小值，closest[i]表示在S中且与i相连的点中与i之间距离最小的点。显然，lowcost[i]=w(i,closest[i])。需要注意的是两个数组记录的都是边而不是路径。若i没有边直接连向S，则lowcost[i]=∞。另外，若i已在S中，则lowcost[i]=0。 设出发点为x。初始时对于任意k∈V，closest[k]=x，lowcost[k]=w（k,x）【w（i，j）表示i、j间的距离。初始化时，若两点间没有边则w（i，j）赋为一个足够大的整数（如maxint），并且所有点到自身的距离赋为0，即w（i，i）=0】 ???? 每一次找出lowcost中不为0的最小值lowcost[i]，然后把i加入S（即lowcost[i]:=0），然后对于图中所有点k，若w(k,i)lowcost[k]，则把lowcost[k]赋为w(k,i)，把closest[k]赋为i。【由于S中所有点的lowcost都为0，所以只影响到S以外的点】 ?? 以上操作重复|V|-1次结束。由于每次加入S的点i都在当时取到了符合流程②的边min{lowcost}，而lowcost[i]=w(i,closest[i])，所以此时的最小生成树的各边就是(i,closest[i])，i∈V且not (i=x)【需要注意的是出发点x的closest[x]还是x，所以应忽略，实际取到x-1条边】。把i从1取到|V|，便得到最小生成树T的每条边。 ????????? Pascal程序：（摘自NOCOW，略有改动） （设边权存于数组cost，图的顶点个数|V|为n） 不难看出，以上算法包含一个二重循环，算法复杂度为O（V^2），与图的稠密度无关。 ????????? 3.使用堆优化 ??????? 如果我们把要取的边作为一个最小优先级队列，用堆来选取边与调整，则算法可以得到优化。 ??? 对于上面代码绿色部分，转换成堆后就是一个建立一个有V个节点的小根堆的过程，复杂度为O（V）；对于红色部分，就是取堆顶元素【O（1）】并删除、维护【O（logV）】；对于橙色部分，对于for循环我们可以用一个数组edge[i]记录与i节点相连的所有边，这样我们就把for循环的复杂度变成了与E相关。显然，图中的每条边仅在其两顶点进入最小生成树时被访问一次，也就是每条边被访问2次，因此橙色部分的执行次数总共是2E次而与外面的while无关。里面的lowcost修改时需要维护堆，复杂度为O（logV）。因此，算法的总复杂度为O（VlogV+ElogV）=O（ElogV）。具体程序见本文最下方。 ??? 对于|E|接近|V|的稀疏图，算法复杂度接近O（VlogV）显然比O（V^2）的算法优秀很多。然而对于E接近N^2的稠密图，算法复杂度接近O（V^2logV）反而不如平方算法。因此，使用堆优化的Prim算法适用于稀疏图，而不优化的Prim算法适用于稠密图。不过O（V^2logV）实际上不比O(V^2)慢多少，而现在的题目大多是稀疏图，所以这个算法在总体上是优于朴素Prim算法的。 ??? 顺便一提，如果用斐波那契堆来做的话，时间复杂度可以进一步优化为O（E+VlogV）。但事实