Python基于链接表实现无向图最短路径搜索
来源:脚本之家    时间:2022-04-25 13:56:46
目录
前言1. 链接表2. 最短路径算法2.1 无向图最短路径算法3. 总结

前言

图的常用存储方式有 2 种:

邻接炬阵链接表

邻接炬阵的优点和缺点都很明显。优点是简单、易理解,对于大部分图结构而言,都是稀疏的,使用炬阵存储空间浪费就较大。

链接表的存储相比较邻接炬阵,使用起来更方便,对于空间的使用是刚好够用原则,不会产生太多空间浪费。操作起来,也是简单。

本文将以链接表方式存储图结构,在此基础上实现无向图最短路径搜索。

1. 链接表

链接表的存储思路:

使用链接表实现图的存储时,有主表子表概念。

主表:用来存储图对象中的所有顶点数据。子表:每一个顶点自身会维护一个子表,用来存储与其相邻的所有顶点数据。

如下图结构中有 5 个顶点,使用链接表保存时,会有主表 1 张,子表 5 张。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:

for node in g:
    print(node[0],end=" ") 

查询顶点及其相邻顶点

for node in g:
    print("-------------------")
    print(node[0], ":", end="")
    edges = node[1]
    for e in edges:
        v, w = e
        print(v, w, end=";")
    print()

当顶点和相邻顶点之间的关系很复杂时,这种层层嵌套的存储格式会让人眼花缭乱。即使要使用这种嵌套方式,那也应该选择Python中的字典类型,对于查询会方便很多。

g = {
    "A0":{"B1": 3, "D3": 5},
    "B1": {"C2": 4},
    "C2": {"D3": 6, "E4": 1},
    "D3": {"E4":2},
    "E4": {"B1": 7}
}

如上结构,在查询时,无论是方便性还是性能,都要强于完全的列表方案。

查询所有顶点:

for node in g.keys():
    print(node,end=" ")

查询与某一顶点相邻的顶点时,只需要提供顶点名称就可以了。

print("查询与 A0 项点有连接的其它顶点")
for k, v in g.get("A0").items():
    print((k, v), end=";")

以上的存储方案,适合于演示,并不适合于开发环境,因顶点本身是具有特定的数据含义(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B1D3找起,如果没找到,再找离B1D3最近的顶点C2E4,如果还是没有找到,再找离C2E4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B1D3(或者说B1、D3的前序顶点是A0),压入队列中。除去起点A0B1D3顶点属于第一近压入队列的节点。

B1D3压入队列的顺序并不影响A0~B1A0~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。B1C2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B1D3属于第一近顶点,所以这 2 个顶点的后序顶点C2E4属于第二近压入队列,或说A0-B1-C2A0-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C2F5,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脚本之家其它相关文章!

关键词: 最短路径 广度优先搜索 数据结构 可以使用

上一篇:

下一篇: