1.图的实际应用
在现实生活中，有许多应用场景会包含很多点以及点点之间的连接，而这些应用场景我们都可以用即将要学习的图这种数据结构去解决。
地图：
我们生活中经常使用的地图，基本上是由城市以及连接城市的道路组成，如果我们把城市看做是一个一个的点，把道路看做是一条一条的连接，那么地图就是我们将要学习的图这种数据结构。
电路图：
下面是一个我们生活中经常见到的集成电路板，它其实就是由一个一个触点组成，并把触点与触点之间通过线进行连接，这也是我们即将要学习的图这种数据结构的应用场景
2.图的定义及分类
定义：图是由一组顶点和一组能够将两个顶点相连的边组成的
特殊的图：
1.自环：即一条连接一个顶点和其自身的边；
2.平行边：连接同一对顶点的两条边；
图的分类：
按照连接两个顶点的边的不同，可以把图分为以下两种：
无向图：边仅仅连接两个顶点，没有其他含义；
有向图：边不仅连接两个顶点，并且具有方向；
3.无向图
3.1 图的相关术语
相邻顶点：
当两个顶点通过一条边相连时，我们称这两个顶点是相邻的，并且称这条边依附于这两个顶点。
度：
某个顶点的度就是依附于该顶点的边的个数
子图：
是一幅图的所有边的子集(包含这些边依附的顶点)组成的图；
路径：
是由边顺序连接的一系列的顶点组成
环：
是一条至少含有一条边且终点和起点相同的路径
连通图：
如果图中任意一个顶点都存在一条路径到达另外一个顶点，那么这幅图就称之为连通图
连通子图：
一个非连通图由若干连通的部分组成，每一个连通的部分都可以称为该图的连通子图
3.2 图的存储结构
要表示一幅图，只需要表示清楚以下两部分内容即可：
1.图中所有的顶点；
2.所有连接顶点的边；
常见的图的存储结构有两种：邻接矩阵和邻接表
3.2.1 邻接矩阵
1.使用一个V*V的二维数组int[V][V] adj,把索引的值看做是顶点；
2.如果顶点v和顶点w相连，我们只需要将adj[v][w]和adj[w][v]的值设置为1,否则设置为0即可。
很明显，邻接矩阵这种存储方式的空间复杂度是 V^2的，如果我们处理的问题规模比较大的话，内存空间极有可能不够用。
3.2.2 邻接表
1.使用一个大小为V的数组 Queue[V] adj，把索引看做是顶点；
2.每个索引处adj[v]存储了一个队列，该队列中存储的是所有与该顶点相邻的其他顶点
很明显，邻接表的空间并不是是线性级别的，所以后面我们一直采用邻接表这种存储形式来表示图。
3.3 图的实现
3.3.1 图的API设计
3.3.2 代码实现
public class Graph { //顶点数目 private final int V; //边的数目 private int E; //邻接表 private Queue<Integer>[] adj; public Graph(int V){ //初始化顶点数量 this.V = V; //初始化边的数量 this.E=0; //初始化邻接表 this.adj = new Queue[V]; //初始化邻接表中的空队列 for (int i = 0; i < adj.length; i++) { adj[i] = new Queue<Integer>(); } } //获取顶点数目 public int V(){ return V; } //获取边的数目 public int E(){ return E; } //向图中添加一条边 v-w public void addEdge(int v, int w) { //把w添加到v的链表中，这样顶点v就多了一个相邻点w adj[v].enqueue(w); //把v添加到w的链表中，这样顶点w就多了一个相邻点v adj[w].enqueue(v); //边的数目自增1 E++; } //获取和顶点v相邻的所有顶点 public Queue<Integer> adj(int v){ return adj[v]; } }
3.4 图的搜索
在很多情况下，我们需要遍历图，得到图的一些性质，例如，找出图中与指定的顶点相连的所有顶点，或者判定某个顶点与指定顶点是否相通，是非常常见的需求。
有关图的搜索，最经典的算法有深度优先搜索和广度优先搜索，接下来我们分别讲解这两种搜索算法。
3.4.1 深度优先搜索
所谓的深度优先搜索，指的是在搜索时，如果遇到一个结点既有子结点，又有兄弟结点，那么先找子结点，然后找兄弟结点。
很明显，在由于边是没有方向的，所以，如果 4和5顶点相连，那么4会出现在5的相邻链表中，5也会出现在4的相邻链表中，那么为了不对顶点进行重复搜索，应该要有相应的标记来表示当前顶点有没有搜索过，可以使用一个布尔类型的数组 boolean[V] marked,索引代表顶点，值代表当前顶点是否已经搜索，如果已经搜索，标记为true，如果没有搜索，标记为false；
API设计：
代码：
public class DepthFirstSearch { //索引代表顶点，值表示当前顶点是否已经被搜索 private boolean[] marked; //记录有多少个顶点与s顶点相通 private int count; //构造深度优先搜索对象，使用深度优先搜索找出G图中s顶点的所有相邻顶点 public DepthFirstSearch(Graph G,int s){ //创建一个和图的顶点数一样大小的布尔数组 marked = new boolean[G.V()]; //搜索G图中与顶点s相同的所有顶点 dfs(G,s); } //使用深度优先搜索找出G图中v顶点的所有相邻顶点 private void dfs(Graph G, int v){ //把当前顶点标记为已搜索 marked[v]=true; //遍历v顶点的邻接表，得到每一个顶点w for (Integer w : G.adj(v)){ //如果当前顶点w没有被搜索过，则递归搜索与w顶点相通的其他顶点 if (!marked[w]){ dfs(G,w); } } //相通的顶点数量+1 count++; } //判断w顶点与s顶点是否相通 public boolean marked(int w){ return marked[w]; } //获取与顶点s相通的所有顶点的总数 public int count(){ return count; } }
