离散数学_十章-图 ( 2 ):图的术语和几种特殊的图(二)

简介: 离散数学_十章-图 ( 2 ):图的术语和几种特殊的图(二)

5. 定理:入度的和 = 出度的和 = 边数


带有向边的图有许多性质是不依赖于边的方向的。


因此,忽略这些方向经常是有用处的。忽略边的方向后得到的无向图称为基本无向图。带有向边的图与它的基本无向图有相同的边数。


6. 几种特殊的图


6.1 完全图 Kn

完全图:n个顶点的完全图记作Kn,是在每对不同顶点之间都恰有一条边的简单图


非完全图:至少有一对不同的顶点不存在边相连的简单图


含n个顶点的完全图的边数:n · (n - 1)/2,即C2n


为什么K~n~表示完全图呢? 一些消息来源称,这个符号中的字母K代表德语单词komplett,但完全图的德文名称vollständigerGraph不包含字母K,其他来源则表示符号表示KazimierzKuratowski图论


6.2 圈图 Cn

圈图:圈图Cn(n ≥3 )是由n个顶点v1,v2,···,vn以及边{v1,v2},{v2,v3},···,{vn-1,vn},{vn,v1}组成的


Cn,C表示circle嘛


含n个顶点的圈图的边数:n



6.3 轮图 Wn

轮图:当给圈图Cn(n ≥3 ),添加另一个顶点,并把这个新顶点与Cn中的n个顶点逐个连接时,就得到轮图Wn

注意,轮图Wn的下标n是轮圈上的顶点数,不是总顶点数(总顶点数是n+1,加上中心的那个顶点)


Wn,W表示wheel(轮)嘛


含n个顶点的轮图的边数:2 ·(n - 1)



6.4 n立方体图 Qn

n立方体图:n立方体图记作Qn,是用顶点表示2n个长度为n 的比特串的图。


注意,两个顶点相邻 iff 它们所表示的比特串恰恰有一位不同。


含n个顶点的n立方体图的边数:2n



7. 二分图


定义:若把简单图G的顶点集分成两个不相交的非空集合V1和 V2, 使得图中的每一条边都连接V1中一个顶点和V2中的一个顶点(因此G中没有一条边会连接V1中两个顶点或V2中两个顶点),则G称为二分图。


当此条件成立时称(V1,V2)为G的顶点集的一个二部划分。


7.1 判断一个图是否为二分图的定理

定理:一个简单图是二分图 iff 能够对图中的每个顶点赋予两种不同的颜色,并使得没有两个相邻的顶点被赋予相同的颜色。


例题:

例1:说明C6是二分图


🔴解:


C6是二分图,因为它的顶点集被分成两个集合V1 = { v1, v3, v5}和V1 = { v2, v4, v6},C6的每一条边都连接V1中的一个顶点和V2中的一个顶点



例2:说明K3不是二分图


🔴解:


若把K3内顶点集分成两个不相交的集合,则两个集合之一必然包含两个顶点。假如这个图是二分图,那么这两个顶点就不能用边连接,但是在K3中每一个顶点都有边连接到其他每个顶点。


上面这两个例题当然也可以直接用染色法,很容易判断


7.2 完全二分图

完全二分图 Km,n 是顶点集划分成分别含有 m 和 n 个顶点的两个子集的图,并且两个顶点之间有边 iff 一个顶点属于第一个子集,而另一个顶点属于第二个子集。

相关文章
|
存储
【数据结构】连通图、连通分量与强连通图、强连通分量—区别在于强,强强在哪里?
【数据结构】连通图、连通分量与强连通图、强连通分量—区别在于强,强强在哪里?
10316 1
【数据结构】连通图、连通分量与强连通图、强连通分量—区别在于强,强强在哪里?
quartus 小技巧—— 分线。例如总线data[31..0],引出的分线为data[7..0]
在数字电路设计中,总线用于并行传输数据,而分线是从总线中提取特定数据位。Quartus II,Altera(现Intel)的EDA工具,支持灵活的总线分线操作。本文介绍了两种在Quartus II中实现分线的方法:一是直接索引,如`data[7:0]`;二是使用Verilog的`extract`操作,尽管在Verilog中直接索引更常见。这些技巧有助于提升设计效率。
|
人工智能 算法 数据安全/隐私保护
基于文档智能和百炼平台的RAG应用-部署实践有感
本文对《文档智能 & RAG让AI大模型更懂业务》解决方案进行了详细测评,涵盖实践原理理解、部署体验、LLM知识库优势及改进空间、适用业务场景等方面。测评指出,该方案在提升AI大模型对特定业务领域的理解和应用能力方面表现突出,但需在技术细节描述、知识库维护、多语言支持、性能优化及数据安全等方面进一步完善。
575 1
|
数据采集 存储 算法
【C++数据结构——图】图的遍历(头歌教学实验平台习题) 【合集】
本文介绍了图的遍历算法,包括深度优先遍历(DFS)和广度优先遍历(BFS)。深度优先遍历通过递归方式从起始节点深入探索图,适用于寻找路径、拓扑排序等场景;广度优先遍历则按层次逐层访问节点,适合无权图最短路径和网络爬虫等应用。文中提供了C++代码示例,演示了如何实现这两种遍历方法,并附有测试用例及结果,帮助读者理解和实践图的遍历算法。
748 0
|
12月前
|
机器学习/深度学习 数据采集 数据处理
Pipeline基础语法
Pipeline是处理数据流和构建机器学习模型的重要工具,它能够简化代码、提高可读性并减少错误。通过本篇文章,读者应能掌握Pipeline的基本语法、使用方法及其在数据科学中的重要性。正确使用Pipeline将极大地提高机器学习项目的效率与可靠性。希望本文能为您的数据处理工作提供实用的指导和帮助。
1251 9
|
存储 机器学习/深度学习 人工智能
数据结构学习笔记——图的存储结构(邻接矩阵和邻接表)
数据结构学习笔记——图的存储结构(邻接矩阵和邻接表)
数据结构学习笔记——图的存储结构(邻接矩阵和邻接表)
|
人工智能 编解码 搜索推荐
国产最强语音大模型诞生,MaskGCT宣布开源,声音效果媲美人类
MaskGCT是一种由国内团队开发的新型非自回归文本到语音合成模型,采用两阶段模型设计和掩码预测学习范式,无需显式对齐信息及音素级别持续时间预测,能高效生成高质量语音,达到近似人类水平。其开源发布标志着国产语音大模型技术的重大突破,具有广泛的应用前景和重要的科研价值。
882 13
|
机器学习/深度学习 人工智能 算法
图灵奖获得者杰夫·辛顿(Geoffrey Hinton)
杰夫·辛顿(Geoffrey Hinton),加拿大-英国籍教育科研工作者,1947年生于英国温布尔登。他因在神经网络和深度学习领域的杰出贡献,于2018年获得图灵奖。辛顿是反向传播算法和对比散度算法的发明人之一,被誉为“AI教父”。他的研究推动了现代神经网络的发展,并在多个国际顶级期刊上发表了多篇重要论文。
1122 0
|
NoSQL Linux
Linux系统调试中出现核心转储(core dump)的问题
Linux系统调试中出现核心转储(core dump)的问题
3389 0
|
机器学习/深度学习 数据可视化 PyTorch
深度学习之如何使用Grad-CAM绘制自己的特征提取图-(Pytorch代码,详细注释)神经网络可视化-绘制自己的热力图
深度学习之如何使用Grad-CAM绘制自己的特征提取图-(Pytorch代码,详细注释)神经网络可视化-绘制自己的热力图
深度学习之如何使用Grad-CAM绘制自己的特征提取图-(Pytorch代码,详细注释)神经网络可视化-绘制自己的热力图