【贪心法】最小生成树

❤写在前面：有一说一哈夫曼有点厉害！
❤博客主页：努力的小鳴人
❤系列专栏：算法
❤欢迎小伙伴们，点赞关注收藏一起学习！
❤如有错误的地方，还请小伙伴们指正！

上期热榜第三好文：上课老师讲的经典贪心法问题：哈夫曼编码

• 最小生成树
• 1.问题描述
• 2.构造思想
• • Prim算法
  • • 1.算法设计
    • 2.构造实例
    • 3.算法描述及分析
  • Kruskal算法
  • • 1.算法设计
    • 2.构造实例
    • 3.算法描述及分析
• 3. 代码实现
• • Prim算法 和 Kruskal算法 比较

小科普：
一个有 n 个结点的连通图的生成树是原图的极小连通子图，且包含原图中的所有 n 个结点，并且有保持图连通的最少的边。最小生成树可以用kruskal（克鲁斯卡尔）算法或Prim（普里姆）算法求出

概述：
在一给定的无向图G = (V, E) 中，(u, v) 代表连接顶点 u 与顶点 v 的边（即），而 w(u, v) 代表此边的权重，若存在 T 为 E 的子集且为无循环图，使得联通所有结点的的 w(T) 最小，则此 T 为 G 的最小生成树

设G=(V,E)是无向连通带权图。E中每条边(v,w)的权为c[v][w]
生成树：如果G的子图G’是一棵包含G的所有顶点的树，则称G’为G的生成树
耗费：生成树上各边权的总和
最小生成树：在G的所有生成树中，耗费最小的生成树

有Prim算法 和 Kruskal算法 两种解决最小生成树的算法思想

先来看一看 伪代码：

> GenerieMST(G){//求G的某棵MST
T〈-￠； //T初始为空，是指顶点集和边集均空
while T未形成G的生成树 do{
找出T的一条安全边（u，v）；//即T∪{(u，v)}仍为MST的子集
T=T∪{(u，v)}； //加入安全边，扩充T
}
return T； //T为生成树且是G的一棵MST
}
注意：
下面给出的两种求MST的算法均是对上述的一般算法的求精，两算法的区别仅在于求安全边的方法不同。
为简单起见，下面用序号0，1，…，n-1来表示顶点集，即是：
V(G)={0，1，…，n-1}，
G中边上的权解释为长度，并设T=(U，TE）

下面一一介绍：

设G=(V，E)是无向连通带权图，V={1,2,…,n}；设最小生成树T=(U，TE)，算法结束时U=V，TE E。
首先，令U={u0}，TE={}。然后，只要U是V的真子集，就做如下贪心选择：选取满足条件i U，j V-U，且边(i，j)是连接U和V-U的所有边中的最短边，即该边的权值最小。然后，将顶点j加入集合U，边(i，j)加入集合TE。继续上面的贪心选择一直进行到U=V为止，此时，选取到的所有边恰好构成G的一棵最小生成树T。需要注意的是，贪心选择这一步骤在算法中应执行多次，每执行一次，集合TE和U都将发生变化，即分别增加一条边和一个顶点

实现Prim算法的关键
找到连接U和V-U的所有边中的最短边！为此必须知道V-U中的每一个顶点与它所连接的U中的每一个顶点的边的信息，该信息可通过设置两个数组closest和 lowcost来体现。中closest[j]表示V-U中的顶点j在集合U中最近邻接顶点，lowcost[j]表示V-U中的顶点j到U中的所有顶点的最短边的权值，即边(j，closest[j])的权值

步骤：

1. 步骤1：确定合适的数据结构。设置带权邻接矩阵C，bool数组s[]，如果s[i]=true，说明顶点i已加入集合U；设置两个数组closest[]和lowcost[]；
2. 步骤2：初始化。令集合U={u0}，TE={}，并初始化数组closest、lowcost和s；
3. 步骤3：在集合V-U中寻找使得lowcost具有最小值的顶点t，t就是集合V-U中连接集合U中的所有顶点中最近的邻接顶点；
4. 步骤4：将顶点t加入集合U，边(t，closest[t])加入集合TE；
5. 步骤5：如果集合V=U，算法结束，否则，转步骤6；
6. 步骤6：对集合V-U中的所有顶点k，更新其lowcost和closest，用下面的公式更新：if
   (C[t][k]

最小生成树应用：
例：要在n个城市之间铺设光缆，主要目标是要使这 n 个城市的任意两个之间都可以通信，但铺设光缆的费用很高，且各个城市之间铺设光缆的费用不同，因此另一个目标是要使铺设光缆的总费用最低。这就需要找到带权的最小生成树

先按Prim算法对下图中的的 无向连通带权图 构造一棵 最小生成树

在构造实例的过程中辅助值的变化：
(假定初始顶点为顶点1，即U={1}；t：集合V-U中距离集合U最近的顶点)

具体构造过程如下图示：

从算法Prim的描述可以看出，if((!s[j])&&(lowcost[j]

补充：(Dijkstra算法 详情请见文章头部推荐热榜好文中有分析)
Prim算法和Dijkstra算法的用法非常相似，它们都是从余下的顶点集合中选择下一个顶点来构建一棵扩展树，但是千万不要把它们混淆了。由于解决的问题不同，计算的方式也有所不同，Dijkstra算法比较路径的长度，因此必须把边的权值相加，而Prim算法则直接比较给定的边的权值

设G=(V，E)是无向连通带权图，V={1,2,…,n}；设最小生成树T=(V，TE)，该树的初始状态为只有n个顶点而无边的非连通图T=(V，{})，Kruskal算法将这n个顶点看成是n个孤立的连通分支。它首先将所有的边按权从小到大排序。然后，只要T中的连通分支数目不为1，就做如下的贪心选择：在边集E中选取权值最小的边(i，j)，如果将边(i，j)加入集合TE中不产生回路（或环），则将边(i，j)加入边集TE中，即用边(i，j)将这两个连通分支合并连接成一个连通分支；否则继续选择下一条最短边。在这两种情况下，都把边(i，j)从集合E中删去。继续上面的贪心选择直到T中所有顶点都在同一个连通分支上为止。此时，选取到的n-1条边恰好构成G的一棵最小生成树T

实现Kruskal算法的关键：
总结一下：避开环路
Kruskal算法用了一个非常聪明的方法，我也是研究好半天，就是运用集合的性质进行判断：如果所选择加入的边的起点和终点都在T的集合里，那么就可以断定一定会形成回路。因为集合的性质，如果两个点在一个集合里，就是包含的关系，那么反映到图上就一定是包含关系，咱就是说真的C

步骤：

1. 步骤1：初始化。将图G的边集E中的所有边按权从小到大排序，边集TE={ }，把每个顶点都初始化为一个孤立的分支，即一个顶点对应一个集合；
2. 步骤2：在E中寻找权值最小的边(i，j)；
3. 步骤3：如果顶点 i和 j位于两个不同连通分支，则将边(i，j)加入边集TE，并执合并操作将两个连通分支进行合并；
4. 步骤4：将边(i，j)从集合E中删去，即E=E-{(i，j)}；
5. 步骤5：如果连通分支数目不为1，转步骤2；否则，算法结束，生成最小生成树T

现在按Kruskal算法对下图中的的 无向连通带权图 构造一棵 最小生成树

首先将图的边集E中的所有边 按权从小到大排序 为：1(1，3)、2(4，6)、3(2，5)、4(3，6)、5(1，4) 和(2，3)和(3，4)、6(1，2)和(3，5)和(5，6)
其次依次构造即可：
(于Prim算法中的构造相同)

从算法设计思想和设计步骤可以看出，要实现Kruskal算法必须解决以下两个关键问题：
（1）选取权值最小的边的同时，要判断加入该条边后树中是否出现回路
（2）不同的连通分支如何进行合并
为了便于解决这两大问题，必须了解每条边的信息

在Kruskal算法中所设计的每条边的结点信息存储结构如下：

struct edge{
double weight; //边的权值
int u，v; // u为边的起点，v为边的终点。
}bian[];

sort函数耗时最大，为此算法的时间复杂性为O(eloge)

下面是完整代码实现：
(C/C++)

#include
#include
#include
#define MAX_VERTEX_NUM 20
#define OK 1
#define ERROR 0
#define MAX 1000

typedef struct Arcell
{
	double adj;
}Arcell,AdjMatrix[MAX_VERTEX_NUM][MAX_VERTEX_NUM];

typedef struct
{
	char vexs[MAX_VERTEX_NUM]; //节点数组
	AdjMatrix arcs; //邻接矩阵
	int vexnum,arcnum; //图的当前节点数和弧数
}MGraph;

typedef struct Pnode //用于普利姆算法
{
	char adjvex; //节点
	double lowcost; //权值
}Pnode,Closedge[MAX_VERTEX_NUM]; //记录顶点集U到V-U的代价最小的边的辅助数组定义

typedef struct Knode //用于克鲁斯卡尔算法中存储一条边及其对应的2个节点
{
	char ch1; //节点1
	char ch2; //节点2
	double value;//权值
}Knode,Dgevalue[MAX_VERTEX_NUM];

//-----------------------------------------------------------------------------------

int CreateUDG(MGraph & G,Dgevalue & dgevalue);

int LocateVex(MGraph G,char ch);

int Minimum(MGraph G,Closedge closedge);

void MiniSpanTree_PRIM(MGraph G,char u);

void Sortdge(Dgevalue & dgevalue,MGraph G);

//-----------------------------------------------------------------------------------

int CreateUDG(MGraph & G,Dgevalue & dgevalue) //构造无向加权图的邻接矩阵
{
int i,j,k;
cout<<"请输入图中节点个数和边/弧的条数：";
cin>>G.vexnum>>G.arcnum;
cout<<"请输入节点：";
for(i=0;i>G.vexs;

for(i=0;i
	for(j=0;j
	G.arcs[j].adj=MAX;
	}
}

cout<<"请输入一条边依附的定点及边的权值："<
cin >> dgevalue[k].ch1 >> dgevalue[k].ch2 >> dgevalue[k].value;
i = LocateVex(G,dgevalue[k].ch1）;
j = LocateVex(G,dgevalue[k].ch2）;
G.arcs[j].adj = dgevalue[k].value;
G.arcs[j].adj = G.arcs[j].adj;
}

return OK;
}

int LocateVex(MGraph G,char ch) //确定节点ch在图G.vexs中的位置
{
int a ;

for(int i=0; i
if(G.vexs == ch)

a=i;

}

return a;

}

void MiniSpanTree_PRIM(MGraph G,char u)//普利姆算法求最小生成树

{

int i,j,k;

Closedge closedge;

k = LocateVex(G,u);

for(j=0; j

if(j != k)

{

closedge[j].adjvex = u;

closedge[j].lowcost = G.arcs[k][j].adj;

}

}

closedge[k].lowcost = 0;

for(i=1; i

k = Minimum(G,closedge);

cout<<"("<

if(G.arcs[k][j].adj < closedge[j].lowcost)

{

closedge[j].adjvex = G.vexs[k];

closedge[j].lowcost= G.arcs[k][j].adj;

			}
		}
	}
}

int Minimum(MGraph G,Closedge closedge) //求closedge中权值最小的边，并返回其顶点在vexs中的位置

{

int i,j;

double k = 1000;

for(i=0; i

if(closedge.lowcost != 0 && closedge.lowcost < k)

{

k = closedge.lowcost;

j = i;

	}
}
return j;
}
void MiniSpanTree_KRSL(MGraph G,Dgevalue & dgevalue)//克鲁斯卡尔算法求最小生成树
{

int p1,p2,i,j;

int bj[MAX_VERTEX_NUM]; //标记数组

for(i=0; i

p1 = bj[LocateVex(G,dgevalue.ch1）];

p2 = bj[LocateVex(G,dgevalue.ch2）];

if(p1 != p2）
{

cout<<"("<

if(bj[j] == p2）

bj[j] = p1;

			}
		}
	}
}

void Sortdge(Dgevalue & dgevalue,MGraph G)//对dgevalue中各元素按权值按从小到大排序

{

int i,j;

double temp;

char ch1,ch2;

for(i=0; i

for(j=i; j

if(dgevalue.value > dgevalue[j].value)
{

temp = dgevalue.value;

dgevalue.value = dgevalue[j].value;

dgevalue[j].value = temp;

ch1 = dgevalue.ch1;

dgevalue.ch1 = dgevalue[j].ch1;

dgevalue[j].ch1 = ch1;

ch2 = dgevalue.ch2;

dgevalue.ch2 = dgevalue[j].ch2;

dgevalue[j].ch2 = ch2;
			}
		}
	}
}

void main()
{

int i,j;

MGraph G;

char u;

Dgevalue dgevalue;

CreateUDG(G,dgevalue);

cout<<"图的邻接矩阵为："<

for(j=0; j>u;

cout<<"构成最小代价生成树的边集为：n";

MiniSpanTree_PRIM(G,u);

cout<<"============克鲁斯科尔算法=============n";

cout<<"构成最小代价生成树的边集为：n";

MiniSpanTree_KRSL(G,dgevalue);

}

1. 算法思想上：如果图G中的边数较小时，可采用Kruskal，因为Kruskal算法每次查找最短的边；
   如果边数较多可用Prim算法，因为它是每次加一个顶点，推出：Kruskal适用于稀疏图，而Prim适用于稠密图
2. 时间上：Prim算法的时间复杂度为O(n2)，Kruskal算法的时间复杂度为O(eloge)
3. 空间上：在Prim算法中，只需要很小的空间就可以完成算法，因为每一次都是从个别点开始出发进行扫描的，而且每一次扫描也只扫描与当前顶点集对应的边
   但在Kruskal算法中，因为时刻都要知道当前边集中权值最小的边在哪里，这就需要对所有的边进行排序，对于很大的图而言，Kruskal算法需要占用比Prim算法大得多的空间

总结：这俩算法真的难搞，懂了就行，用来锻炼自己，实现也太难了哈哈
 作者算是一名Java初学者，文章如有错误，欢迎评论私信指正，一起学习~~
如果文章对小伙伴们来说有用的话，点赞关注收藏就是我的最大动力！
不积跬步，无以至千里，书接下回，欢迎再见