Java数据结构与算法(九)-程序员常用的10中算法
本章目录
- 第14章 程序员常用的10中算法
- 14.1 二分查找算法(非递归)
- 14.1.1 二分查找算法(非递归)介绍
- 14.2 分治算法
- 14.2.1 分治算法介绍
- 14.2.2 分治算法最佳实践-汉诺塔
- 14.3 动态规划算法
- 14.3.1 应用场景-背包问题
- 14.3.2 动态规划算法介绍
- 14.3.3 动态规划算法最佳实践-背包问题
- 14.4 KMP算法
- 14.4.1 应用场景-字符串匹配问题
- 14.4.2 暴力匹配
- 14.4.3 KMP 算法介绍
- 14.4.4 KMP 算法最佳应用-字符串匹配问题
- 14.5 贪心算法
- 14.5.1 应用场景-集合覆盖问题
- 14.5.2 贪心算法介绍
- 14.6 普利姆算法
- 14.6.1 应用场景-修路问题
- 14.6.2 最小生成树
- 14.6.3 普里姆算法介绍
- 14.6.4 代码实现
- 14.7 克鲁斯卡尔算法
- 14.7.1 应用场景-公交站问题
- 14.7.2 克鲁斯卡尔算法介绍
- 14.7.3 克鲁斯卡尔算法图解说明
- 14.7.3 克鲁斯卡尔算法分析
- 14.7.4 克鲁斯卡尔算法的代码实现
- 14.8 迪杰斯特拉算法
- 14.8.1 应用场景-最短路径问题
- 14.8.2 迪杰斯特拉(Dijkstra)算法介绍
- 14.8.3 迪杰斯特拉(Dijkstra)算法过程
- 14.9 弗洛伊德算法
- 14.9.1 弗洛伊德(Floyd)算法介绍
- 14.9.2 弗洛伊德(Floyd)算法图解分析
第14章 程序员常用的10中算法
14.1 二分查找算法(非递归)
14.1.1 二分查找算法(非递归)介绍
- 前面我们讲过了二分查找算法,是使用递归的方式,下面我们讲解二分查找算法的非递归方式
- 二分查找法只适用于从有序的数列中进行查找(比如数字和字母等),将数列排序后再进行查找
- 二分查找法的运行时间为对数时间O(㏒₂n) ,即查找到需要的目标位置最多只需要㏒₂n 步,假设从[0,99]的队列(100 个数,即 n=100)中寻到目标数 30,则需要查找步数为㏒₂100 , 即最多需要查找 7 次( 2^6 < 100 < 2^7)
public static int binarysearch(int[] arr, int target) {int left = 0;int right = arr.length-1;while (left < right) {int mid = (left + right )/2;if (arr[mid] == target) {return mid;}else if (arr[mid] > target) {right = mid -1 ;}else {left = mid + 1;}}return -1;
}
14.2 分治算法
14.2.1 分治算法介绍
- 分治法是一种很重要的算法。字面上的解释是**“分而治之”,就是把一个复杂的问题分成两个或更多的相同或相似的子问题**,再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础,如排序算法(快速排序,归并排序),傅立叶变换(快速傅立叶变 换)……
- 分治算法可以求解的一些经典问题
(1)二分搜索
(2)大整数乘法
(3)棋盘覆盖
(4)合并排序
(5) 快速排序
(6)线性时间选择
(7)最接近点对问题
(8)循环赛日程表
(9) 汉诺塔 - 分治算法的基本步骤
分治法在每一层递归上都有三个步骤:
(1)分解:将原问题分解为若干个规模较小,相互独立,与原问题形式相同的子问题
(2)解决:若子问题规模较小而容易被解决则直接解,否则递归地解各个子问题
(3)合并:将各个子问题的解合并为原问题的解。 - 分治(Divide-and-Conquer§)算法设计模式如下:
14.2.2 分治算法最佳实践-汉诺塔
- 思路分析
(1)如果是有一个盘, A->C
如果我们有 n >= 2 情况,我们总是可以看做是两个盘 :1.最下边的盘 2. 上面的所有盘看做是一个盘。
(2)先把 最上面的盘 A->B
(3) 把最下边的盘 A->C
(4)把 B 塔的所有盘 从 B->C - 代码实现
/*** 汉诺塔的移动方法——使用分治算法* @param num:汉诺塔盘的数目* @param a* @param b* @param c*/
public static void hanoiTower(int num, char a, char b, char c) {//如果只有一个盘if (num == 1) {System.out.println("第1个盘从 "+a+"到"+c);}else {//如果我们有n>=2个盘,我们总是可以看做是两个盘:1个最下面的盘,1个上面所有的盘看做是一个盘//1. 先将最上面的所有盘A-B,移动过程会使用到ChanoiTower(num-1, a, c, b);//2. 将最下面的盘A-CSystem.out.println("第"+num +"个盘从 "+a+"到"+c);//3. 把B塔的所有盘从B-C,移动过程中使用a塔hanoiTower(num-1, b, a, c);}
}
14.3 动态规划算法
14.3.1 应用场景-背包问题
- 背包问题:有一个背包,容量为 4 磅 , 现有如下物品
(1)要求达到的目标为装入的背包的总价值最大,并且重量不超出
(2) 要求装入的物品不能重复
14.3.2 动态规划算法介绍
- 动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
- 动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解。
- 与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。 ( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
- 动态规划可以通过填表的方式来逐步推进,得到最优解.
14.3.3 动态规划算法最佳实践-背包问题
- 说明
(1)背包问题主要是指一个给定容量的背包、若干具有一定价值和重量的物品,如何选择物品放入背包使物品的价值最大。其中又分 01 背包和完全背包(完全背包指的是:每种物品都有无限件可用)
(2)这里的问题属于 01 背包,即每个物品最多放一个。而无限背包可以转化为01 背包。 - 算法的主要思想
利用动态规划来解决。每次遍历到的第 i 个物品,根据 w[i]和 v[i]来确定是否需要将该物品 放入背包中。即对于给定的 n 个物品,设 v[i]、w[i]分别为第 i 个物品的价值和重量,C 为背包的容量。再令 v[i][j] 表示在前 i 个物品中能够装入容量为 j 的背包中的最大价值。则我们有下面的结果:
(1)当v[i][0]=v[0][j]=0; //表示 填入表 第一行和第一列是0
(2)当 w[i]> j 时:v[i][j]=v[i-1][j] // 当准备加入新增的商品的容量大于当前背包的容量时(即超出了背包的容量),就直接使用上一个单元格的装入策略(不装入背包)
(3)当 j>=w[i]时: v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]},//当 准备加入的新增的商品的容量小于等于当前背包的容量,
PS:
v[i-1][j]: 就是上一个单元格的装入的最大值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] : 装入 i-1 商品,到剩余空间 j-w[i]的最大值
3. 代码实现
package com.atguigu.dynamic;
public class KnapsackProblem {public static void main(String[] args) {int[] w = {1,4,3}; //物品的重量int[] val = {1500, 3000,2000}; //物品的价值int m = 4; //背包的容量int n = val.length; //物品的数量//创建二维数组;v[i][j]表示在前i个物品中能够装入容量为j的背包中的最大价值int[][] v = new int[n+1][m+1] ; //因为在本算法中会多一行和一列的0值int[][] path = new int[n+1][m+1]; //记录放入商品的情况//初始化第一行和第一列为零for (int i = 0; i < v.length; i++) {v[i][0] = 0;}for (int i = 0; i < v[0].length; i++) {v[0][i] = 0 ;}//依据公式实现动态规划处理for (int i = 1; i < v.length; i++) {for (int j = 1; j < v[0].length; j++) {//公式if (w[i-1] > j) { //因为这里的i从1开始,而w的i从0开始,因此需要减1v[i][j] = v[i-1][j]; //}else { //同上//v[i][j] = Math.max(v[i-1][j], val[i-1] + v[i-1][j-w[i-1]]);//为了记录商品存放到背包的情况,不能直接使用上面的公式,需要使用if-else的结构间接实现if (v[i-1][j] < val[i-1] + v[i-1][j-w[i-1]]) {v[i][j] = val[i-1] + v[i-1][j-w[i-1]];path[i][j] = 1;}else {v[i][j] = v[i-1][j];}}}}//显示矩阵for (int i = 0; i < v.length; i++) {for (int j = 0; j < v[i].length; j++) {System.out.print(v[i][j] + " ");}System.out.println();}/*//输出最后我们放入的哪些物品//这样输出有冗余数据,其实我们只需要最后的放入for (int i = 0; i < path.length; i++) {for (int j = 0; j < path[i].length; j++) {if (path[i][j] == 1) {System.out.printf("第%d个商品放入到背包\n", i);}}}*/for (int i = 0; i < v.length; i++) {for (int j = 0; j < v[i].length; j++) {System.out.print(path[i][j] + " ");}System.out.println();}int i = path.length -1; //行的最大下标 int j = path[0].length -1; //列的最大下标while (i > 0 && j > 0) { //从path的最后开始找if (path[i][j] == 1) {System.out.printf("第%d个商品放入到背包\n", i);j -= w[i-1];}i--;}}
}
14.4 KMP算法
14.4.1 应用场景-字符串匹配问题
- 字符串匹配问题:
(1)有一个字符串 str1= ““硅硅谷 尚硅谷你尚硅 尚硅谷你尚硅谷你尚硅你好””,和一个子串 str2=“尚硅谷你尚硅你”
(2)现在要判断 str1 是否含有 str2, 如果存在,就返回第一次出现的位置, 如果没有,则返回-1
14.4.2 暴力匹配
- 思路
(1)如果当前字符匹配成功(即 str1[i] == str2[j]),则 i++,j++,继续匹配下一个字符
(2)如果失配(即 str1[i]! = str2[j]),令 i = i - (j - 1),j = 0。相当于每次匹配失败时,i 回溯,j 被置为0。
(3)用暴力方法解决的话就会有大量的回溯,每次只移动一位,若是不匹配,移动到下一位接着判断,浪费了大量的时间。(不可行!) - 实现
package com.atguigu.kmp;
public class ViolenceMatch {public static void main(String[] args) {String str1 = "硅硅谷 尚硅谷你尚硅 尚硅谷你尚硅谷你尚硅你好";String str2 = "尚硅谷你尚硅你";int index = violenceMatch(str1, str2);System.out.println(index);}//暴力匹配算法public static int violenceMatch(String str1, String str2) {char[] s1 = str1.toCharArray();char[] s2 = str2.toCharArray();int s1Len = s1.length;int s2Len = s2.length;int i = 0; //i索引指向s1int j = 0; //j索引指向s2while (i < s1Len && j < s2Len) {if (s1[i] == s2[j]) {i++;j++;}else { //如果匹配失败,令i=i-j+1,j=0i = i-j+1;j = 0;}}//判断是否匹配成功if (j == s2Len) {return i -j ; }else {return -1;}}
}
14.4.3 KMP 算法介绍
- KMP 是一个解决模式串在文本串是否出现过,如果出现过,最早出现的位置的经典算法
- Knuth-Morris-Pratt 字符串查找算法,简称为 “KMP 算法”,常用于在一个文本串 S 内查找一个模式串 P 的出现位置,这个算法由 Donald Knuth、Vaughan Pratt、James H. Morris 三人于 1977 年联合发表,故取这 3 人的 姓氏命名此算法.
- KMP 方法算法就利用之前判断过信息,通过一个 next 数组,保存模式串中前后最长公共子序列的长度,每次 回溯时,通过 next 数组找到,前面匹配过的位置,省去了大量的计算时间
- 参考资料:https://www.cnblogs.com/ZuoAndFutureGirl/p/9028287.html
14.4.4 KMP 算法最佳应用-字符串匹配问题
字符串匹配问题::
(1)有一个字符串 str1= “BBC ABCDAB ABCDABCDABDE”,和一个子串 str2=“ABCDABD”
(2)现在要判断 str1 是否含有 str2, 如果存在,就返回第一次出现的位置, 如果没有,则返回-1 3) 要求:使用 KMP 算法完成判断,不能使用简单的暴力匹配算法.
1.首先,用 Str1 的第一个字符和 Str2 的第一个字符去比较,不符合,关键词向后移动一位
重复第一步,还是不符合,再后移
一直重复,直到 Str1 有一个字符与 Str2 的第一个字符符合为止
接着比较字符串和搜索词的下一个字符,还是符合。
5.遇到 Str1 有一个字符与 Str2 对应的字符不符合。
6.这时候,想到的是继续遍历 Str1 的下一个字符,重复第 1 步。(其实是很不明智的,因为此时BCD 已经比较过了, 没有必要再做重复的工作,一个基本事实是,当空格与 D 不匹配时,你其实知道前面六个字符是”ABCDAB”。 KMP 算法的想法是,设法利用这个已知信息,不要把”搜索位置”移回已经比较过的位置,继续把它向后移,这 样就提高了效率。)
7.怎么做到把刚刚重复的步骤省略掉?可以对 Str2 计算出一张《部分匹配表》,这张表的产生在后面介绍
8.已知空格与 D 不匹配时,前面六个字符”ABCDAB”是匹配的。查表可知,最后一个匹配字符 B 对应的”部分 匹配值”为 2,因此按照下面的公式算出向后移动的位数:
移动位数 = 已匹配的字符数 - 对应的部分匹配值
因为 6 - 2 等于 4,所以将搜索词向后移动 4 位。
9.因为空格与C不匹配,搜索词还要继续往后移。这时,已匹配的字符数为2(”AB”),对应的”部分匹配值” 为 0。所以,移动位数 = 2 - 0,结果为 2,于是将搜索词向后移 2 位。
10.因为空格与 A 不匹配,继续后移一位。
11.逐位比较,直到发现 C 与 D 不匹配。于是,移动位数 = 6 - 2,继续将搜索词向后移动 4 位。
12.逐位比较,直到搜索词的最后一位,发现完全匹配,于是搜索完成。如果还要继续搜索(即找出全部匹配), 移动位数 = 7 - 0,再将搜索词向后移动 7 位,这里就不再重复了。
13.介绍《部分匹配表》怎么产生的 先介绍前缀,后缀是什么
“部分匹配值”就是**”前缀”和”后缀”的最长的共有元素的长度**。以”ABCDABD”为例,
-”A”的前缀和后缀都为空集,共有元素的长度为 0;
-”AB”的前缀为[A],后缀为[B],共有元素的长度为0;
-”ABC”的前缀为[A, AB],后缀为[BC, C],共有元素的长度0;
-”ABCD”的前缀为[A, AB, ABC],后缀为[BCD, CD, D],共有元素的长度为0;
-”ABCDA”的前缀为[A, AB, ABC, ABCD],后缀为[BCDA, CDA, DA, A],共有元素为”A”,长度为1; -”ABCDAB”的前缀为[A, AB, ABC, ABCD, ABCDA],后缀为[BCDAB, CDAB, DAB, AB, B],共有元素为”AB”, 长度为 2;
-”ABCDABD”的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB],后缀为[BCDABD, CDABD, DABD, ABD, BD, D],共有元素的长度为 0。
14.”部分匹配”的实质是,有时候,字符串头部和尾部会有重复。比如,”ABCDAB”之中有两个”AB”,那么 它的”部分匹配值”就是 2(”AB”的长度)。搜索词移动的时候,第一个”AB”向后移动 4 位(字符串长度-部分匹配值),就可以来到第二个”AB”的位置。
代码实现
package com.atguigu.kmp;
import java.util.Arrays;
public class kmpAlgorithm {public static void main(String[] args) {String str1 = "BBC ABCDAB ABCDABCDABDE";String str2 = "ABCDABD";int[] next = kmpNext("ABCDABD");System.out.println(Arrays.toString(next));int index = kmpSearch(str1, str2, next);System.err.println(index);}/*** kmp算法* @param str1* @param str2* @param next:部分匹配表* @return*/public static int kmpSearch(String str1, String str2, int[] next) {//遍历for (int i = 0,j = 0; i < str1.length(); i++) {//需要处理str1.charAt(i) != str2.charAt(j)//kmp算法核心点while(j > 0 && str1.charAt(i) != str2.charAt(j)) {j=next[j-1];}if (str1.charAt(i) == str2.charAt(j)) {j++;}if (j == str2.length()) {return i-j+1;} }return -1;}//获取一个字符串(子串)的部分匹配值表public static int[] kmpNext(String dest) {//创建一个next数组保存部分匹配值int[] next = new int[dest.length()];next[0] = 0; //如果字符串的长度是1,则部分匹配值就是0.for (int i = 1, j = 0; i < dest.length(); i++) {//当dest.charAt(i) != dest.charAt(j),我们需要从next[j-1]获取新的j//知道我们发现dest.charAt(i) == dest.charAt(j)才退出while (j > 0 && dest.charAt(i) != dest.charAt(j)) {j = next[j-1];}//当dest.charAt(i) == dest.charAt(j)满足时,部分匹配值就是1//charAt()方法返回指定索引位置的char值。索引范围为0~length()-1//此处并不甚明白if (dest.charAt(i) == dest.charAt(j)) {j++;}next[i] = j;}return next;}
}
14.5 贪心算法
14.5.1 应用场景-集合覆盖问题
假设存在下面需要付费的广播台,以及广播台信号可以覆盖的地区。 如何选择最少的广播台,让所有的地区 都可以接收到信号
14.5.2 贪心算法介绍
- 贪婪算法(贪心算法)是指在对问题进行求解时,在每一步选择中都采取最好或者最优(即最有利)的选择,从而希望能够导致结果是最好或者最优的算法
- 贪婪算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
- 使用贪婪算法,效率高:
- 思路分析:
如何找出覆盖所有地区的广播台的集合呢,使用穷举法实现,列出每个可能的广播台的集合,这被称为幂集。假设总的有 n 个广播台,则广播台的组合总共有 2ⁿ -1 个,假设每秒可以计算 10 个子集, 如图:
(1)目前并没有算法可以快速计算得到准备的值, 使用贪婪算法,则可以得到非常接近的解,并且效率高。选择策略上,因为需要覆盖全部地区的最小集合:
(2)遍历所有的广播电台, 找到一个覆盖了最多未覆盖的地区的电台(此电台可能包含一些已覆盖的地区,但没有关系)
(3)将这个电台加入到一个集合中(比如 ArrayList), 想办法把该电台覆盖的地区在下次比较时去掉。
(4)重复第 1 步直到覆盖了全部的地区
- 代码实现
package com.atguigu.greedy;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
public class GreedyAlgorithm {public static void main(String[] args) {//创建广播电台,放入到MapHashMap<String, HashSet<String>> broadcasts = new HashMap<String, HashSet<String> >();HashSet<String> hashSet1 = new HashSet<String>();hashSet1.add("北京"); hashSet1.add("上海"); hashSet1.add("天津");HashSet<String> hashSet2 = new HashSet<String>();hashSet2.add("广州"); hashSet2.add("北京"); hashSet2.add("深圳");HashSet<String> hashSet3 = new HashSet<String>();hashSet3.add("成都"); hashSet3.add("上海"); hashSet3.add("杭州");HashSet<String> hashSet4 = new HashSet<String>();hashSet4.add("上海"); hashSet4.add("天津");HashSet<String> hashSet5 = new HashSet<String>();hashSet5.add("杭州"); hashSet5.add("大连");//加入到mapbroadcasts.put("k1", hashSet1); broadcasts.put("k2", hashSet2); broadcasts.put("k3", hashSet3); broadcasts.put("k4", hashSet4); broadcasts.put("k5", hashSet5); //添加地点HashSet<String> allAreas = new HashSet<String>();allAreas.add("北京");allAreas.add("上海");allAreas.add("天津");allAreas.add("广州");allAreas.add("深圳");allAreas.add("成都");allAreas.add("杭州");allAreas.add("大连");System.out.println(allAreas);//创建一个ArrayList,存放选择的电台集合ArrayList<String> selects = new ArrayList<String>();//定义一个临时的集合,在遍历过程中,存放遍历过程层中的电台覆盖的地区和 当前还未覆盖的地区的交集HashSet<String> tempSet = new HashSet<String>();//定义给maxKey,保存在一次遍历过程中,能够覆盖最大覆盖范围的电台对应的key,//如果maxKey不为null,则会加入到selects。String maxKey = null;while (allAreas.size() != 0) { //表示还有未覆盖的地区//每进行一次,都需要maxKey = null;//遍历boradcasts,取出对应的keyfor (String key : broadcasts.keySet()) {tempSet.clear();//当前这个key能够覆盖的范围HashSet<String> areas = broadcasts.get(key);tempSet.addAll(areas);//求出tempSet 和 allAreas 集合的交集,交集会赋给tempSettempSet.retainAll(allAreas);//如果当前这个集合包含的未覆盖区域的数量,比maxKey指向的集合区域还多//(maxKey == null || tempSet.size() > broadcasts.get(maxKey).size()) 体现贪心算法。if (tempSet.size() > 0 && (maxKey == null || tempSet.size() > broadcasts.get(maxKey).size())) {maxKey = key;}}//maxKeyif (maxKey != null) {selects.add(maxKey);//将maxKey指向的广播电台覆盖区域从allAreas 去掉allAreas.removeAll(broadcasts.get(maxKey));}}System.out.println(selects);}
}
14.6 普利姆算法
14.6.1 应用场景-修路问题
- 修路问题
(1)有胜利乡有7 个村庄(A, B, C, D, E, F, G) ,现在需要修路把 7 个村庄连通
(2)各个村庄的距离用边线表示(权) ,比如 A – B 距离 5 公里
(3)问:如何修路保证各个村庄都能连通,并且总的修建公路总里程最短? - 思路
将 10 条边,连接即可,但是总的里程数不是最小.
正确的思路,就是尽可能的选择少的路线,并且每条路线最小,保证总里程数最少.
14.6.2 最小生成树
- 修路问题本质就是就是最小生成树问题, 先介绍一下最小生成树(Minimum Cost Spanning Tree),简称 MST。 给定一个带权的无向连通图,如何选取一棵生成树,使树上所有边上权的总和为最小,这叫最小生成树
(1)N 个顶点,一定有 N-1 条边
(2)包含全部顶点
(3)N-1 条边都在图中 - 求最小生成树的算法主要是普里姆算法和克鲁斯卡尔算法。
14.6.3 普里姆算法介绍
- 普利姆(Prim)算法求最小生成树,也就是在包含 n 个顶点的连通图中,找出只有(n-1)条边包含所有 n 个顶点的连通子图,也就是所谓的极小连通子图
- 普利姆的算法如下:
(1)设 G=(V,E)是连通网,T=(U,D)是最小生成树,V,U 是顶点集合,E,D 是边的集合
(2)若从顶点 u 开始构造最小生成树,则从集合 V 中取出顶点 u 放入集合 U 中,标记顶点v 的visited[u]=1
(3)若集合 U 中顶点 ui 与集合 V-U 中的顶点 vj 之间存在边,则寻找这些边中权值最小的边,但不能构成回路,将
顶点 vj 加入集合 U 中,将边(ui,vj)加入集合 D 中,标记 visited[vj]=1
(4)重复步骤②,直到 U 与 V 相等,即所有顶点都被标记为访问过,此时D 中有 n-1 条边
(5) 提示: 单独看步骤很难理解,我们通过代码来讲解,比较好理解. - 图解普利姆算法
14.6.4 代码实现
package com.atguigu.prim;
import java.util.Arrays;
public class PrimAlgorithm {public static void main(String[] args) {char[] data = new char[] {'A','B','C','D','E','F','G'};int verxs = data.length;int[][] weight = new int[][] {{10000,5,7,10000,10000,10000,2}, {5,10000,10000,9,10000,10000,3}, {7,10000,10000,10000,8,10000,10000},{10000,9,10000,10000,10000,4,10000}, {10000,10000,8,10000,10000,5,4}, {10000,10000,10000,4,5,10000,6}, {2,3,10000,10000,4,6,10000}};MGraph graph = new MGraph(verxs);MinTree minTree = new MinTree();minTree.createGraph(graph, verxs, data, weight);;//minTree.showGraph(graph);minTree.prim(graph, 0);}
}
//创建最小生成树
class MinTree{/*** 创建图的邻接矩阵* @param graph:图对象* @param verxs:图对应的顶点个数* @param data:图的各顶点的值* @param weight:图的邻接矩阵*/public void createGraph(MGraph graph, int verxs, char data[], int[][] weight) {for (int i = 0; i < verxs; i ++) {graph.data[i] = data[i];for (int j = 0; j < verxs; j++) {graph.weight[i][j] = weight[i][j];}}}//显示图public void showGraph(MGraph graph) {for (int[] link : graph.weight) {System.out.println(Arrays.toString(link));}}/*** prim算法,得到最小生成树* @param graph* @param v :表示从第几个顶点开始生成最小树。*/public void prim(MGraph graph, int v) {//标记节点是否被访问int visited[] = new int[graph.verxs];//将当前节点标记为已访问visited[v] = 1;int h1 = -1; //标记两个顶点的下标int h2 = -1;int minWeight = 10000; //将minWeight初始化成一个大的值,后面遍历的过程中,会被替换for (int k = 1; k < graph.verxs; k++) { //第一个节点是不用使用prim算法的//确定每一次生成的子图,和哪个节点的距离最近for (int i = 0; i < graph.verxs; i++) { //所有访问过的节点for (int j = 0; j < graph.verxs; j++) { //所有没有访问过的节点if (visited[i] ==1 && visited[j] == 0 && graph.weight[i][j] < minWeight) {minWeight = graph.weight[i][j];h1 = i ;h2 = j;}}}//找到一条最小边System.out.println("边<"+graph.data[h1]+","+graph.data[h2]+">权值:"+minWeight);visited[h2] = 1;minWeight = 10000;}}
}class MGraph{int verxs; //表示图的节点个数char[] data ; //存放节点数据int[][] weight; //存放边,就是邻接矩阵public MGraph(int verxs) {this.verxs = verxs;data = new char[verxs];weight = new int[verxs][verxs];}
}
14.7 克鲁斯卡尔算法
14.7.1 应用场景-公交站问题
- 某城市新增 7 个站点(A, B, C, D, E, F, G) ,现在需要修路把7 个站点连通
- 各个站点的距离用边线表示(权) ,比如 A – B 距离 12 公里
- 问:如何修路保证各个站点都能连通,并且总的修建公路总里程最短?
14.7.2 克鲁斯卡尔算法介绍
(1) 克鲁斯卡尔(Kruskal)算法,是用来求加权连通图的最小生成树的算法。
(2)基本思想:按照权值从小到大的顺序选择 n-1 条边,并保证这n-1 条边不构成回路
(3)具体做法:首先构造一个只含 n 个顶点的森林,然后依权值从小到大从连通网中选择边加入到森林中,并使森林中不产生回路,直至森林变成一棵树为止
14.7.3 克鲁斯卡尔算法图解说明
第 1 步:将边<E,F>加入 R 中。
边<E,F>的权值最小,因此将它加入到最小生成树结果 R 中。
第 2 步:将边<C,D>加入 R 中。
上一步操作之后,边<C,D>的权值最小,因此将它加入到最小生成树结果 R 中。
第 3 步:将边<D,E>加入 R 中。
上一步操作之后,边<D,E>的权值最小,因此将它加入到最小生成树结果 R 中。
第 4 步:将边<B,F>加入 R 中。
上一步操作之后,边<C,E>的权值最小,但<C,E>会和已有的边构成回路;因此,跳过边<C,E>。同理,跳
过边<C,F>。将边<B,F>加入到最小生成树结果 R 中。
第 5 步:将边<E,G>加入 R 中。
上一步操作之后,边<E,G>的权值最小,因此将它加入到最小生成树结果 R 中。
第 6 步:将边<A,B>加入 R 中。
上一步操作之后,边<F,G>的权值最小,但<F,G>会和已有的边构成回路;因此,跳过边<F,G>。同理,跳 过边<B,C>。将边<A,B>加入到最小生成树结果 R 中。
此时,最小生成树构造完成!它包括的边依次是:<E,F> <C,D> <D,E> <B,F> <E,G> <A,B>。
14.7.3 克鲁斯卡尔算法分析
- 克鲁斯卡尔算法的关键问题
根据前面介绍的克鲁斯卡尔算法的基本思想和做法,我们能够了解到,克鲁斯卡尔算法重点需要解决的以下两个问 题:
(1)问题一 对图的所有边按照权值大小进行排序。
(2)问题二 将边添加到最小生成树中时,怎么样判断是否形成了回路。
问题一很好解决,采用排序算法进行排序即可。
问题二,处理方式是:记录顶点在"最小生成树"中的终点,顶点的终点是"在最小生成树中与它连通的最大顶点"。 然后每次需要将一条边添加到最小生存树时,判断该边的两个顶点的终点是否重合,重合的话则会构成回路。
- 如何判断是否构成回路-举例说明(如图)
在将<E,F> <C,D> <D,E>加入到最小生成树 R 中之后,这几条边的顶点就都有了终点:
(01) C 的终点是 F。(02) D 的终点是 F。 (03) E 的终点是 F。 (04) F 的终点是 F。
PS:终点:将所有顶点按照从小到大的顺序排列好之后;某个顶点的终点就是"与它连通的最大顶点"。
虽然<C,E>是权值最小的边。但是C 和 E 的终点都是 F,即它们的终点相同,因此,将<C,E> 加入最小生成树的话,会形成回路。
因此,判断构成回路的依据:加入的边的两个顶点不能都指向同一 个终点,否则将构成回路。
14.7.4 克鲁斯卡尔算法的代码实现
package com.atguigu.kruskal;
import java.util.Arrays;
public class KruskalCase {private int edgeNum; // 边的个数private char[] vertexs; // 顶点个数private int[][] matrix; // 邻接矩阵private static final int INF = Integer.MAX_VALUE; // 表示两个顶点不能连通。public static void main(String[] args) {char[] vertexs = { 'A', 'B', 'C', 'D', 'E', 'F', 'G' };int matrix[][] = {/* A *//* B *//* C *//* D *//* E *//* F *//* G *//* A */ { 0, 12, INF, INF, INF, 16, 14 }, /* B */ { 12, 0, 10, INF, INF, 7, INF },/* C */ { INF, 10, 0, 3, 5, 6, INF }, /* D */ { INF, INF, 3, 0, 4, INF, INF },/* E */ { INF, INF, 5, 4, 0, 2, 8 }, /* F */ { 16, 7, 6, INF, 2, 0, 9 },/* G */ { 14, INF, INF, INF, 8, 9, 0 } };KruskalCase kruskalCase = new KruskalCase(vertexs, matrix);System.out.println();/** EData[] edges = kruskalCase.getEdges();* System.out.println("排序前"+Arrays.toString(edges));* kruskalCase.sortEdges(edges);* System.out.println("排序后"+Arrays.toString(edges));*/kruskalCase.kruskal();}// 构造器public KruskalCase(char[] vertexs, int[][] matrix) {// 初始化顶点数和边的个数int vlen = vertexs.length;// 初始化顶点,this.vertexs = new char[vlen];for (int i = 0; i < vertexs.length; i++) {this.vertexs[i] = vertexs[i];}// 初始化边this.matrix = new int[vlen][vlen];for (int i = 0; i < vlen; i++) {for (int j = 0; j < vlen; j++) {this.matrix[i][j] = matrix[i][j];}}// 统计边的条数for (int i = 0; i < vlen; i++) {for (int j = i + 1; j < vlen; j++) {if (this.matrix[i][j] != INF) {edgeNum++;}}}}// 对边进行排序:冒泡排序private void sortEdges(EData[] edges) {for (int i = 0; i < edges.length - 1; i++) {for (int j = 0; j < edges.length - 1 - i; j++) {if (edges[j].weight > edges[j + 1].weight) {EData temp = edges[j];edges[j] = edges[j + 1];edges[j + 1] = temp;}}}}// 返回顶点对应的下标private int getPosition(char ch) {for (int i = 0; i < vertexs.length; i++) {if (vertexs[i] == ch) {return i;}}return -1;}/*** 获取图中的边,放到EData[]数组中,后面我们需要遍历该数组,是通过matrix邻接矩阵来获取 @return:EData[]* 形式[['A','B',12],['B','F',7]……]*/private EData[] getEdges() {int index = 0;EData[] edges = new EData[edgeNum];for (int i = 0; i < vertexs.length; i++) {for (int j = i + 1; j < vertexs.length; j++) {if (matrix[i][j] != INF) {edges[index++] = new EData(vertexs[i], vertexs[j], matrix[i][j]);}}}return edges;}/*** 获取下标为i的顶点的终点,用以判断两个顶点的终点是否构成回路* * @param ends:记录了各个顶点的终点是哪个;ends是在遍历的过程中逐步形成的* @param i:传入的顶点对应的下标* @return:返回的就是下标为i的顶点对应的终点的下标。*/private int getEnd(int[] ends, int i) {while (ends[i] != 0) {i = ends[i];}return i;}// 克鲁斯卡尔算法的代码实现public void kruskal() {int index = 0; // 表示最后结果数组的索引int[] ends = new int[edgeNum]; // 用于保存“已有最小生成书“中的每个顶点在最小生成树中的终点// 创建结果数组,保存最后的最小生成树EData[] rets = new EData[edgeNum];// 获取图中所有边的集合,一共12边EData[] edges = getEdges();System.out.println("图的边的集合" + Arrays.toString(edges) + "共" + edges.length); // 12// 按照边的权值进行排序sortEdges(edges);// 遍历edges数组,将边添加到最小生成树中,判断是准备加入的边是否形成了回路,如果没有,就加入rets,否则不能加入for (int i = 0; i < edgeNum; i++) {// 获取第i条边的第一个顶点 和第二个顶点int p1 = getPosition(edges[i].start);int p2 = getPosition(edges[i].end);// 获取p1及p2这个顶点在已有最小生成树中的终点int m = getEnd(ends, p1); // m=4int n = getEnd(ends, p2); // n=5// 判断是否构成回路if (m != n) { // 没有构成回路ends[m] = n; // 设置m在已有最小生成树中的终点为n;即<E,F> [0,0,0,00,5,0,0,0,0,0,0,0]rets[index++] = edges[i];}}// 统计并打印“最小生成树”System.out.println("最小生成树为:");for (int i = 0; i < index; i++) {System.out.println(rets[i]);}}// 打印邻接矩阵public void print() {System.out.println("邻接矩阵为:");for (int i = 0; i < vertexs.length; i++) {for (int j = 0; j < vertexs.length; j++) {System.out.printf("%12d", matrix[i][j]);}System.out.println();}}
}// 创建一个EData,它的对象实例就是一条边
class EData {char start; // 边的一个顶点char end; // 边的另一个顶点int weight; // 边的权值public EData(char start, char end, int weight) {this.start = start;this.end = end;this.weight = weight;}@Overridepublic String toString() {return "EData [<" + start + "," + end + ">, weight=" + weight + "]";}
}
14.8 迪杰斯特拉算法
14.8.1 应用场景-最短路径问题
- 战争时期,胜利乡有 7 个村庄(A, B, C, D, E, F, G) ,现在有六个邮差,从 G 点出发,需要分别把邮件分别送到 A, B, C , D, E, F 六个村庄
- 各个村庄的距离用边线表示(权) ,比如 A – B 距离 5 公里
- 问:如何计算出 G 村庄到 其它各个村庄的最短距离?
- 如果从其它点出发到各个点的最短距离又是多少?
14.8.2 迪杰斯特拉(Dijkstra)算法介绍
迪杰斯特拉(Dijkstra)算法是典型最短路径算法,用于计算一个结点到其他结点的最短路径。它的主要特点是以 起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止。
14.8.3 迪杰斯特拉(Dijkstra)算法过程
- 设置出发顶点为 v,顶点集合 V{v1,v2,vi…},v 到 V 中各顶点的距离构成距离集合 Dis,Dis{d1,d2,di…},Dis 集合记录着 v 到图中各顶点的距离(到自身可以看作 0,v 到 vi 距离对应为 di)
- 从 Dis 中选择值最小的 di 并移出 Dis 集合,同时移出 V 集合中对应的顶点vi,此时的v 到vi 即为最短路径
- 更新 Dis 集合,更新规则为:比较 v 到 V 集合中顶点的距离值,与 v 通过 vi 到 V 集合中顶点的距离值,保留 值较小的一个(同时也应该更新顶点的前驱节点为 vi,表明是通过 vi 到达的)
- 重复执行两步骤,直到最短路径顶点为目标顶点即可结束
package com.atguigu.dijkstra;
import java.util.Arrays;
public class DijkstraAlogrithm {public static void main(String[] args) {char[] vertex = new char[] { 'A', 'B', 'C', 'D', 'E', 'F', 'G' };final int N = 65535; // 表示不可连接// 邻接矩阵int[][] matrix = new int[][] { { N, 5, 7, N, N, N, 2 }, { 5, N, N, 9, N, N, 3 }, { 7, N, N, N, 8, N, N },{ N, 9, N, N, N, 4, N }, { N, N, 8, N, N, 5, 4 }, { N, N, N, 4, 5, N, 6 }, { 2, 3, N, N, 4, 6, N } };Graph graph = new Graph(vertex, matrix);graph.showGraph();graph.dsj(6);graph.showDijkstra();}
}// 已访问过顶点集合
class VisitedVertex {// 记录各个顶点是否被访问过,1:访问过;0:未访问过public int[] already_arr;// 每个下标对应的值为前一个顶点下标,会动态更新public int[] pre_visited;// 记录出发顶点到其他所有顶点的距离,会动态更新,求的最短距离就会存放到dispublic int[] dis;/*** 构造器* * @param length:表示顶点的个数* @param index:出发定点对应的下标,比如G顶点,下标是6.*/public VisitedVertex(int length, int index) {this.already_arr = new int[length];this.pre_visited = new int[length];this.dis = new int[length];// 初始化dis数组Arrays.fill(dis, 65535);this.already_arr[index] = 1;this.dis[index] = 0; // 自己与自己的dis为0.}// 判断是否被访问过public boolean in(int index) {return already_arr[index] == 1;}// 更新出发顶点到index顶点的距离public void updateDis(int index, int len) {dis[index] = len;}// 更新pre这个顶点的前驱顶点为index顶点public void updatePre(int pre, int index) {pre_visited[pre] = index;}// 返回出发顶点到index顶点的距离public int getDis(int index) {return dis[index];}//继续选择并返回新的访问节点,比如G完后,就是A作为新的访问节点(注意不是出发点)public int updateArr() {int min = 65535 ,index = 0;for (int i = 0; i < already_arr.length; i++) {if (already_arr[i] == 0 && dis[i] < min) {min = dis[i] ;index = i;}}//更新index顶点被访问过already_arr[index]=1;return index;}//显示最后结果public void show() {System.out.println("---------");for (int i : already_arr) {System.out.print(i + " ");}System.out.println();for (int i : pre_visited) {System.out.print(i +" ");}System.out.println();for (int i : dis) {System.out.print(i + " ");}System.out.println();//处理最后的结果,便于显示char[] vertex = new char[] { 'A', 'B', 'C', 'D', 'E', 'F', 'G' };int count = 0;for (int i: dis) {if (i != 65535) {System.out.print(vertex[count]+"("+i + ")");}else {System.out.println("N");}count ++;}}
}class Graph {private char[] vertex; // 顶点数组private int[][] matrix; // 邻接矩阵private VisitedVertex visitedVertex ; //已访问的顶点的集合public Graph(char[] vertex, int[][] matrix) {this.vertex = vertex;this.matrix = matrix;}// 显示图public void showGraph() {for (int[] link : matrix) {System.out.println(Arrays.toString(link));}}// 地杰斯特拉算法public void dsj(int index) {visitedVertex= new VisitedVertex(vertex.length, index);update(index); //更新index顶点到周围顶点的距离和前驱节点for (int i = 1; i < matrix.length; i++) {index = visitedVertex.updateArr(); //选择并返回新的访问顶点update(index);}}//更新index下标顶点到周围顶点的距离和周围顶点的前驱结点private void update(int index) {int len = 0 ;//根据遍历邻接矩阵的matrix[]行for (int j = 0; j < matrix[index].length; j++) {//len:出发顶点到index顶点的距离+从index到j顶点的距离的和len = visitedVertex.getDis(index)+matrix[index][j];//如果j顶点没有被直接访问过,并且len小于出发顶点到J顶点的距离,就需要更新if (!visitedVertex.in(j) && len < visitedVertex.getDis(j)) {visitedVertex.updatePre(j, index);visitedVertex.updateDis(j, len);}}}//显示结果public void showDijkstra() {visitedVertex.show();}
}
14.9 弗洛伊德算法
14.9.1 弗洛伊德(Floyd)算法介绍
- 和 Dijkstra 算法一样,弗洛伊德(Floyd)算法也是一种用于寻找给定的加权图中顶点间最短路径的算法。该算法 名称以创始人之一、1978 年图灵奖获得者、斯坦福大学计算机科学系教授罗伯特·弗洛伊德命名
- 弗洛伊德算法(Floyd)计算图中各个顶点之间的最短路径
- 迪杰斯特拉算法用于计算图中某一个顶点到其他顶点的最短路径。
- 弗洛伊德算法 VS 迪杰斯特拉算法:迪杰斯特拉算法通过选定的被访问顶点,求出从出发访问顶点到其他顶点的最短路径;弗洛伊德算法中每一个顶点都是出发访问点,所以需要将每一个顶点看做被访问顶点,求出从每 一个顶点到其他顶点的最短路径。
14.9.2 弗洛伊德(Floyd)算法图解分析
- 设置顶点 vi 到顶点 vk 的最短路径已知为 Lik,顶点vk 到vj 的最短路径已知为 Lkj,顶点vi 到vj 的路径为Lij, 则 vi 到vj 的最短路径为:min((Lik+Lkj),Lij),vk 的取值为图中所有顶点,则可获得 vi 到 vj 的最短路径
- 至于 vi 到 vk 的最短路径 Lik 或者 vk 到 vj 的最短路径Lkj,是以同样的方式获得
- 弗洛伊德算法的步骤:
(1)第一轮循环中,以 A(下标为:0)作为中间顶点【即把 A 作为中间顶点的所有情况都进行遍历, 就会得到更新距离表 和 前驱关系】, 距离表和前驱关系更新为:
Java数据结构与算法(九)-程序员常用的10中算法相关推荐
- Java数据结构与算法(十三):程序员常用的10种算法
1. 二分查找算法(非递归) 1.1 基本介绍 二分查找法只适用于从有序数列中进行查找(比如数字和字母等),将数列排序后再进行查找: 二分查找法的运行时间为对数时间O(log2 n),即查找到需要的目 ...
- 程序员常用的十一种算法
文章目录 程序员常用的十一种算法 1.二分查找算法 2.分治法 3.动态规划 4.字符串暴力匹配算法 5.KMP算法 6.贪心算法 7.普里姆算法介绍(找点) 8.克鲁斯卡尔(Kruskal)算法(找 ...
- java excel 插件开发工具_程序员常用的15 种开发者工具推荐
程序员常用的15 种开发者工具推荐:Java 线上诊断工具 Arthas.IDE 插件 Cloud Toolkit.混沌实验注入工具 ChaosBlade.Java 代码规约扫描插件.应用实时监控工具 ...
- 用java制作心理测试软件_Java 程序员必备的10款开源工具
Java世界中存在许多工具,从Eclipse,NetBeans和IntelliJ IDEA等著名的IDE开始到Java开发人员应该知道的JVM分析和监视工具,如JConsole,VisualVM,Ec ...
- 数据结构和算法-14.程序员常用10种算法
1. 二分查找算法(非递归) 1.1 介绍 二分查找算法只适用于从有序的数列种进行查找,将数列排序后再进行查找 二分查找法的运行时间为对数时间O(log2 n),即查找到需要的目标位置最多只需要log ...
- 【数据结构与算法】程序员们常用的10个关键数据结构,包括它们的原理和C语言实现代码
[数据结构与算法]程序员们常用的10个关键数据结构,包括它们的原理和C语言实现代码 文章目录 [数据结构与算法]程序员们常用的10个关键数据结构,包括它们的原理和C语言实现代码 1. 数组 (Arra ...
- 收录Java程序员常用英语
Java程序员常用英语 基础----进阶 A. array数组accessible 可存取的 area面积audio 音频 addition 加法 action 行动 arithmetic ...
- Java程序员常用英语
干程序员这行实在是离不开英语,干程序员是一项很辛苦的工作,要成为一个高水平的程序员尤为艰难.这是因为计算机软件技术更新的速度越来越快,而这些技术大多来源于英语国家,我们在引进这些技术时往往受到语言障碍 ...
- Java程序员常用英语词汇
干程序员这行实在是离不开英语,干程序员是一项很辛苦的工作,要成为一个高水平的程序员尤为艰难.这是因为计算机软件技术更新的速度越来越快,而这些技术大多来源于英语国家,我们在引进这些技术时往往受到语言障碍 ...
最新文章
- ansys scade suite 2020中文版
- 经典面试题:将有序数组、有序链表转换成平衡二叉树
- 关于设计模式的胡思乱想
- PyTorch中为什么需要使用squeeze()和unsqueeze()操作?
- oracle狎鸥亭_卢永佑 个人主页 - 韩国奥拉克皮肤科整外科 - 美佳网
- Eclipse用法和技巧十三:自动生成的TODO注释1
- 杭电算法题 HDU 1000-1004
- vs哪个版本比较好用_哪个跨境电商erp比较好用,跨境电商erp哪个好一点
- Android 使用低功耗蓝牙简单介绍
- windows凭据管理
- windows系统进程System ntoskrnl.exe pid 4占用8080端口
- 【小米8手机的状况】
- 如何选择工业中CCD相机与CMOS相机
- 数据可视化之excel和finebi报表实现对比
- 【DKN】(七)dataset.py【未完】
- iOS-马甲包审核以及常见审核问题
- XX健康:预约管理-套餐管理图片上传与预览Redis实现定时清理垃圾图片
- 计算机图像学基础课程设计,计算机图形学课程设计
- Deepin Linux15 华为荣耀笔记本MagicBook2019使用-安装深度应用商店和应用软件
- win10摄像头在哪打开?【系统天地】
热门文章
- 第十周计算个人所得税
- python画美图_学会这些Python美图技巧,就等着女朋友夸你吧
- 苹果在GitHub上公布macOS和iOS内核源码
- printf() 常见打印类型
- 1.7 Photoshop参考线的使用 [Ps教程]
- Prescan测试场景和工况的建模方法,导入功能
- 极光推送广告,美名为:日活优化
- 谢谢楼主~angelalynn21@gmail.com
- 订货管理系统远不只订货,它还有这些作用...
- 将 PDF 压缩到 1 MB 或更小的 5 个工具