本文主要内容为:图的定义以及基本术语

  • 图的定义

图G的组成:由 数据元素的集合E 和 数据间的关系集合E 组成,记作:G = <V, E>

顶点 (vertex):数据元素,V就是顶点的有穷非空集合

边 (edge): 顶点的序偶对,例如 (v1, v2),E就是边的集合

    • 子图

定义:设 G=<V, E> 是一个图,E' 是 E 的子集,V' 是 V 的子集,且 E' 中的边权 仅与 V' 中的顶点相关联,

则 G' = <V', E'> 称为 图G 的子图

特殊的子图:空图,只有一个顶点,图G本身

    • 无向图

定义:代表一条边的顶点的序偶是无序的(即该边无方向)

表示:无序的序偶对用圆括号表示,例如 (v1, v2) 和 (v2, v1) 是代表同一条边

    • 有向图

定义:代表一条边的顶点的序偶是有序的(即该边有方向)

表示:有序的序偶对用尖括号表示,例如 <v1, v2> 和 <v2, v1> 是代表不同的边

弧:有向图的边的别称

弧尾 / 始点:边的起点,例如 <v1, v2> 中的 v1

弧头 / 终点:边的终点,例如 <v1, v2> 中的 v2

    • 带权图

定义:图的每条边边或弧都附带权(weight)

权的作用:可以用于表示从一个顶点到另一个顶点的距离,费用,代价等等

    • 稀疏图:边比较少的图
    • 稠密图:边比较多的图
    • 完全图:任何两个顶点间都有边相关联的图
  • 图的基本术语

    • 无向图顶点 v 的度:与该顶点相关的边的数目,记作 D(v)
    • 有向图顶点 v 的入度:以顶点 v 为终点的弧的数目,记作 ID(v)
    • 有向图顶点 v 的出度:以顶点 v 为起点的弧的数目, 记作 OD(v)
    • 终端顶点 / 叶子:出度为 0 的顶点
    • 路径:从一个顶点到另一个顶点,中间允许经过其他顶点,有向图的路径也是有向的
    • 路径长度:路径上的 边 或 弧  * 权重 之和
    • 回路 / 环:路径的起点和终点是同一个顶点的路径
    • 图的根:从该顶点有路径可以到达图的其他所有顶点
    • 连通图:无向图的任意两个顶点有路径
    • 强连通图:有向图的任意两个顶点之间有来回路径
    • 连通分量:无向图中的极大连通子图
    • 强连通分量:有向图强连通的极大子图
    • 网络:带权的连通图
  • 图的相关计算

n:表示图中顶点的数目

e:表示图中边的数目

    • 无向图 e 的取值范围:[0,n(n - 1) / 2]
    • 有向图 e 的取值范围:[0, n(n - 1)]

图 Graph的更多相关文章

  1. 纸上谈兵: 图 (graph)

    作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明.谢谢! 图(graph)是一种比较松散的数据结构.它有一些节点(vertice),在某些节 ...

  2. 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (二)

    本文属于图神经网络的系列文章,文章目录如下: 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolutio ...

  3. 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (一)

    本文属于图神经网络的系列文章,文章目录如下: 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolutio ...

  4. 算法与数据结构基础 - 图(Graph)

    图基础 图(Graph)应用广泛,程序中可用邻接表和邻接矩阵表示图.依据不同维度,图可以分为有向图/无向图.有权图/无权图.连通图/非连通图.循环图/非循环图,有向图中的顶点具有入度/出度的概念. 面 ...

  5. 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (三)

    本文属于图神经网络的系列文章,文章目录如下: 从图(Graph)到图卷积(Graph Convolution):漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolutio ...

  6. echart——关系图graph详解

    VueEchart组件见上一篇 <template> <VueEcharts :options="options" auto-resize /> </ ...

  7. 某种带权有向无环图(graph)的所有路径的求法

    // 讨论QQ群:135202158 最近做某个东西,最后用图实现了,这里总结一下算法. 假设有以下带权有向无环图(连通或非连通,我这里用的是非连通的): 每个节点(node)可能与其他节点有向地相连 ...

  8. 小白学Python(18)——pyecharts 关系图 Graph

    Graph-基本示例 import json import os from pyecharts import options as opts from pyecharts.charts import ...

  9. 【JZOJ6357】小ω的图(graph)

    description analysis 拆位从高位到低位贪心 对于当前位,如果把所有当前位为\(1\)的边塞入,\(1\)和\(n\)连通,则该位必须为\(1\) 这个是因为高位的\(1\)比所有低 ...

随机推荐

  1. 【xingorg1-ui】基于vue3.0从0-1搭建组件库(一)环境配置与目录规划

    npm地址 github源码 开篇-环境配置 环境配置: 使用vue-cli搭建项目框架,需要用vue3的话,得先把vue-cli的版本升级到vue-cli@5以上 npm install -g @v ...

  2. python 与 百度人脸识别api

    用python来做人脸识别代码量少 思路清晰, 在使用之前我们需要在我们的配置的编译器中通过pip       install baidu-aip  即可 from aip import AipFac ...

  3. java网络编程socket的使用

    Socket 客户端实例 如下的 GreetingClient 是一个客户端程序,该程序通过 socket 连接到服务器并发送一个请求,然后等待一个响应. GreetingClient.java 文件 ...

  4. backfill和recovery的最优值

    ceph在增加osd的时候会触发backfill,让数据得到平均,触发数据的迁移 ceph在移除osd的时候需要在节点上进行数据的恢复,也有数据的迁移和生成 只要是集群里面有数据的变动就会有网卡流量, ...

  5. Python _PyQt5对话框

    Python 调用PyQt5 制作对话框,退出时候有二次确认(注:默认是直接退出) 1 # -*- ytf-8 -*- 2 """ 3 用PyQt建一个对话框,退出时提示 ...

  6. Python_迭代器与生成器

    迭代器 迭代是Python最强大的功能之一,是访问集合元素的一种方式.. 迭代器是一个可以记住遍历的位置的对象. 迭代器对象从集合的第一个元素开始访问,直到所有的元素被访问完结束.迭代器只能往前不会后 ...

  7. sqlilab less11-less18

    less-11 uname和passwd直接带入查询,万能密码 sqlmap自动搜索表单,或者抓包后用-r参数 less-12 post数据用小括号进行包裹,构造万能密码") or 1=1 ...

  8. Navicat总是提示主键不存在问题

    Windows 和 Linux:打开navicat > 找到工具 > 点击选项- > 外观 > 点击数据 & 网格 > 取消勾选显示主键警告 > 确定. M ...

  9. html页面转PDF、图片操作记录

    前言 日常开发中,我们有可能会碰到从系统中导出数据并打印的需要,打印的格式是常规的表格形式,例如: 本文记录使用js库html2canvas + jspdf实现html转PDF.图片,并下载 画出页面 ...

  10. 深度分析:Java 静态方法/变量,非静态方法/变量的区别,今天一并帮你解决!

    静态/非静态 方法/变量的写法 大家应该都明白静态方法/字段比普通方法/字段的写法要多一个static关键字,简单写下他们的写法吧,了解的可以直接略过 class Test{ // 静态变量 publ ...