首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >用js来实现那些数据结构16(图02-图的遍历)

用js来实现那些数据结构16(图02-图的遍历)

作者头像
zaking
发布2018-07-04 16:09:42
9040
发布2018-07-04 16:09:42
举报
文章被收录于专栏:zaking'szaking's

  上一篇文章我们简单介绍了一下什么是图,以及用JS来实现一个可以添加顶点和边的图。按照惯例,任何数据结构都不可或缺的一个point就是遍历。也就是获取到数据结构中的所有元素。那么图当然也不例外。这篇文章我们就来看看如何遍历以及用js来实现图的遍历。

  首先,有两种算法可以对图进行遍历:广度优先搜索(BFS)和深度优先搜索(DFS)。图的遍历可以用来寻找特定的顶点,可以寻找两个顶点之间有哪些路径,检查图是否是联通的,也可以检查图是否含有环等等。

  在开始代码之前,我们需要了解一下图遍历的思想,也就是说,我们要知道如何去遍历一个图,知道了图遍历的方法方式,距离实现代码也就不远了。

  图遍历的思想是:

    1、必须追踪每个第一次访问的节点,并且追踪有哪些节点还没有被完全探索。对于BFS和DFS两种算法,都需要明确给出第一个被访问的顶点。

    2、完全探索一个顶点,要求我们查看该顶点的每一条边。对于每一条边所链接的没有被访问过的顶点,将其标注为被发现的,并将其加入到待访问顶点列表中。

  那么,总结一下上面的两句话,首先,我们在遍历一个图的时候,需要指定第一个被访问的顶点是什么(也就是我们要在方法中传入第一个顶点的值)。然后呢.....我们需要知道三个状态:

    一个是还未被访问的,也就是我还不知道有这么个顶点,也不知道它的边都去向哪里。

    另外一个是已经访问过但未被探索过,就是说,我知道有这个顶点,但是我不知道它的边都去向哪里,连接着哪些顶点。

    最后一个是访问过并且完全探索过。也就是我访问过该顶点,也探索过它有哪些边,它的边连接哪些顶点。

  那么,我们就会在构造函数中用三种颜色来代表上面的三种状态,分别是白色(未被访问),灰色(已经访问过但未被探索过)和黑色(访问过并且完全探索过);

  还有另外一个要注意的地方,BFS和DFS在算法上其实基本上是一样的,但是有一个明显的不同——待访问顶点的数据结构。BFS用队列来存储待访问顶点的列表,DFS用栈来存储待访问顶点的列表。

  好了,下面我们来上代码。(这里不会贴上所有的代码,只会贴上有关BFS和DFS的相关代码。)

  如果你看到了这里,但是并不觉得自己可以耐心的把下面的代码看完,那么你看到这里就可以 结束所有有关于用js来实现数据结构的内容了。如果你还是想继续往下学习,那么希望你一定可以耐心看完整。

//引入前面章节学过的栈和队列,因为我们后面会用到。
function Stack () {};
function Queue() {};

function Graph() {
    var vertices = [];
    var adjList = new Map();
    //添加顶点的方法。
    this.addVertices = function (v) {};
    this.addEdge = function (v,w) {};
    this.toString = function () {};

    //初始化图中各顶点的状态(颜色)的私有方法,并返回该状态数组。
    var initializeColor = function () {
        var color = [];
        for (var i = 0; i < vertices.length; i++) {
            color[vertices[i]] = 'white';
        }
        return color;
    };
    //简单的广度优先搜索算法,传入参数v是图中的某一个顶点,从此顶点开始探索整个图。
    this.bfs = function (v,callback) {
        //为color状态数组赋值,初始化一个队列    
        var color = initializeColor(),queue = new Queue();
        //将我们传入的顶点v入队。    
        queue.enqueue(v);
        // 如果队列非空,也就是说队列中始终有已发现但是未探索的顶点,那么执行逻辑。
        while(!queue.isEmpty()) {
            // 队列遵循先进先出的原则,所以我们声明一个变量来暂时保存队列中的第一个顶点元素。
            var u = queue.dequeue();
            // adjList是我们的邻接表,从邻接表中拿到所有u的邻接顶点。
            neighbors = adjList.get(u);
            //并把状态数组中的u的状态设置未已发现但是未完全探索的灰色状态。
            color[u] = 'grey';
            //我们循环当前的u的所有的邻接顶点,并循环访问每一个邻接顶点并改变它的状态为灰色。
            for(var i = 0; i < neighbors.length; i++) {
                var w = neighbors[i];
                if (color[w] === "white") {
                    color[w] = 'grey';
                    //入队每一个w,这样while循环会在队列中没有任何元素,也就是完全访问所有顶点的时候结束。    
                    queue.enqueue(w);
                }
            }
            // 完全访问后设置color状态。
            color[u] = 'black';
            // 如果存在回调函数,那么就执行回掉函数。
            if(callback) {
                callback(u);
            }
        }
    };


    //改进后计算最短路径的BFS
    // 其实这里改进后的BFS并没有什么特别复杂,只是在原有的bfs的基础上,增加了一些需要计算和储存的状态值。
    // 也就是我们在函数结束后所返回的
    this.BFS = function (v) {
        //d是你传入的顶点v距离每一个顶点的距离(这里的距离仅为边的数量)
        //pred就是当前顶点沿着路径找到的前一个顶点是什么。没有就是null
        var color = initializeColor(),queue = new Queue(),d = [],pred = [];
        //我们把v入队。
        queue.enqueue(v);
        //初始化距离和前置点数组。一个都为0,一个都为null,无需解释。
        for(var i = 0; i < vertices.length; i++) {
            d[vertices[i]] = 0;
            pred[vertices[i]] = null;
        }

        while(!queue.isEmpty()) {
            var u = queue.dequeue();
            neighbors = adjList.get(u);
            color[u] = 'grey';

            for(var i = 0; i < neighbors.length; i++) {
                var w = neighbors[i];
                if (color[w] === "white") {
                    color[w] = 'grey';
                    // 到这里都和bfs方法是一样的,只是多了下面这两个。
                    // 这里容易让人迷惑的是w和u分别是啥?弄清楚了其实也就没啥了。
                    // u是队列中出列的一个顶点,也就是通过u来对照邻接表找到所有的w。
                    // 那么因为是d(距离,初始为0)。所以我们只要在d的数组中w的值设为比u大1也就是d[u] + 1就可以了
                    d[w] = d[u] + 1;
                    // 而这个就不用说了,理解了上面的,这个自然就很好懂了。
                    pred[w] = u;
                    // 这里可能大家会问,循环不会重复加入么?不会!
                    // 注意看这里if (color[w] === "white")这句,如果是white状态才会执行后面的逻辑,
                    // 而进入逻辑后,状态就随之改变了,不会再次访问到访问过的顶点。
                    queue.enqueue(w);
                }
            }
            color[u] = 'black';
        }
        return {
            distances:d,
            predecessors:pred
        }

    };


    
    //深度优先搜索
    // 这个没啥东西大家自己看一下就可以了
    this.dfs = function (callback) {
        var color = initializeColor();

        for(var i = 0; i < vertices.length; i++) {
            if(color[vertices[i]] === 'white') {
                // 这里调用我们的私有方法
                dfsVisit(vertices[i],color,callback);
            }
        }

    };
    //深度优先搜索私有方法
    // 从dfs中传入的三个参数
    var dfsVisit = function (u,color,callback) {
        // 改变u的颜色状态
        color[u] = 'grey';

        if(callback) {callback(u);}
        // 获取所有u的邻接顶点
        var neighbors = adjList.get(u);
        // 循环    
        for(var i = 0; i < neighbors.length; i++) {
            //w为u的每一个邻接顶点的变量
            var w = neighbors[i];
            // 如果是白色的我们就递归调用dfsVisit
            if(color[w] === 'white') {
                dfsVisit(w,color,callback);
            }
        }

        color[u] = 'black';
    };

    //改进后的DFS,其实也就是加入了更多的概念和要记录的值
    

    this.DFS = function () {
        // d,发现一个顶点所用的时间。f,完全探索一个顶点所用的时间,p前溯点。
        var color = initializeColor(),d = [],f = [], p = [];
        // 初始化时间为0;
        time = 0;
        //初始化所有需要记录的对象的值/
        for(var i = 0; i < vertices.length; i++) {
            f[vertices[i]] = 0;
            d[vertices[i]] = 0;
            p[vertices[i]] = null;
        }


        for (var i = 0; i < vertices.length; i++) {
            if(color[vertices[i]] === 'white') {
                DFSVisit(vertices[i],color,d,f,p);
            }
        }

        return {
            discovery:d,
            finished:f,
            predecessors:p
        }
    };
    //注意这里我们为什么要在外层定义时间变量,而不是作为参数传递进DFSVisit。
    //因为作为参数传递在每次递归的时候time无法保持一个稳定变化的记录。
    var time = 0;
    //这里个人觉得也没什么好说的了,如果你看不懂,希望你可以数据结构系列的第一篇看起。
    var DFSVisit = function (u,color,d,f,p) {
        console.log('discovered--' + u);
        color[u] = 'grey';
        d[u] = ++time;

        var neighbors = adjList.get(u);
        for (var i = 0; i < neighbors.length; i++) {
            var w = neighbors[i];
            if (color[w] === 'white') {
                p[w] = u;
                DFSVisit(w,color,d,f,p);
            }
        }

        color[u] = 'black';
        f[u] = ++time;
        console.log('explored--' + u);
    };
}

  上面是有关于BFS和DFS的代码及注释。希望大家可以认真耐心的看完。下面我们来看看简单的最短路径算法和拓扑排序。

  1、最短路径算法

//最短路径,也就是说我们在地图上,想要找到两个点之间的最短距离(我们经常会用地图软件来搜索此地与彼地的路径)。
//那么下面我们就以连接两个顶点之间的边的数量的多少,来计算一下各自的路径,从而得到一个最短路径。
// 我们通过改进后的BFS算法,可以得到下面这样的数据,各个顶点距离初始顶点的距离以及前溯点
var shortestPathA = graph.BFS(verticesArray[0]);
console.log(shortestPathA)
/*
distances: [A: 0, B: 1, C: 1, D: 1, E: 2, F:2,G:2,H:2,I:3],
predecessors: [A: null, B: "A", C: "A", D: "A", E: "B", F:"B",G:"C",H:"D",I:"E"]
*/
//我们选择数组中的第一个元素为开始的顶点。
var fromVertex = verticesArray[0];
for(var i = 1; i < verticesArray.length;i++) {
    // 到达的定点不定
    var toVertex = verticesArray[i];
    //声明路径为一个初始化的栈。
    path = new Stack();
    //嘿嘿,这个循环比较有趣了,通常大家都会用var i= 0; i < xxx;i++这种。
    //但是这里这么用是几个意思?首先大家要知道for循环中两个“;”所分割的三个语句都是什么意思。
    //语句 1 在循环(代码块)开始前执行,语句 2 定义运行循环(代码块)的条件,语句 3 在循环(代码块)已被执行之后执行
    //所以我们怎么写都是可以的!!当然你要符合你想要的逻辑
    //后面就不说了,没啥好说的。
    for(var v = toVertex;v!== fromVertex;v = shortestPathA.predecessors[v]) {
        path.push(v);
    }
    path.push(fromVertex);
    var s = path.pop();

    while(!path.isEmpty()) {
        s += '-' + path.pop();
    }
    console.log(s)
}

/*
A-B
A-C
A-D
A-B-E
A-B-F
A-C-G
A-D-H
A-B-E-I
*/

  2、拓扑排序  

拓扑排序,想了想,还是有必要给大家解释一下概念再开始代码,不然真的容易一脸懵逼。

  大家先来看张图:

  那,这是一个什么东西呢?这是一个有向图,因为边是有方向的,这个图没有环,意味着这是一个无环图。所以这个图可以称之为有向无环图。那么有向无环图可以做什么呢?我记得前面某一篇文章说过,所有的实例都有其所面对的要解决的实际问题。而有向无环图可以视作某一个序列的待执行的任务,该任务不是可跳跃的。比如一个产品上线,需要产品经理定需求,画流程图,再到UI出效果图标注图再到开发再到测试再到改bug再到上线。就是这个意思。

  那么我们上面所形容的产品上线的整个流程就成为拓扑排序。拓扑排序只能应用于DAG(有向无环图)。

  那么我们看下代码。

//重新声明一个图并所有的顶点加入图中。
var DFSGraph = new Graph();
var DFSarray = ["a","b","c","d","e","f"];
for (var i = 0; i < DFSarray.length; i++) {
    DFSGraph.addVertices(DFSarray[i]);
}
//我们为图加上边。
DFSGraph.addEdge("a","c");
DFSGraph.addEdge("a","d");
DFSGraph.addEdge("b","d");
DFSGraph.addEdge("b","e");
DFSGraph.addEdge("c","f");
DFSGraph.addEdge("f","e");
var result = DFSGraph.DFS();
console.log(result);
//大家自己去看看打印的结果是什么。

  那么到这里,有关于图的一部分内容基本上就都讲解完毕了。可能大家觉得我有些偷懒,注释写的没有以前那么详细了啊。这是因为我觉得很多的内容前面都已经很详细的说明过了。同样的思路实在是没必要翻来覆去的说来说去。所以反而到后面一些复杂的数据结构并没有前面解释的那么详细。但是我觉得如果你一路看下来,这点东西绝壁难不倒你。

  最后,由于本人水平有限,能力与大神仍相差甚远,若有错误或不明之处,还望大家不吝赐教指正。非常感谢!

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-05-09 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
对象存储
对象存储(Cloud Object Storage,COS)是由腾讯云推出的无目录层次结构、无数据格式限制,可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限,无需分区管理,适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档