开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

给定数据，我如何创建一个类似于R中的邻接矩阵的矩阵？

在云计算领域，创建一个类似于R中的邻接矩阵的矩阵可以通过以下步骤实现：

首先，你需要选择一个合适的编程语言来实现这个功能。常见的编程语言包括Python、Java、C++等，你可以根据自己的熟悉程度和项目需求选择合适的语言。
在选择编程语言后，你可以使用该语言提供的矩阵操作库或者数据结构来创建矩阵。例如，在Python中，你可以使用NumPy库来创建和操作矩阵。
接下来，你需要准备好给定的数据。邻接矩阵通常用于表示图结构中的节点之间的连接关系。你可以通过定义节点和它们之间的连接关系来构建邻接矩阵。
根据给定的数据，你可以使用编程语言提供的矩阵操作函数来创建邻接矩阵。具体的实现方式会根据你选择的编程语言和使用的库而有所不同。
最后，你可以通过打印或者其他方式输出邻接矩阵，以便查看和使用。

需要注意的是，邻接矩阵的创建过程可能会涉及到一些复杂的算法和数据结构知识，具体实现方式会根据你的具体需求而有所不同。如果你需要更详细的指导或者代码示例，可以提供更具体的信息，我可以给出更具体的答案。

腾讯云相关产品和产品介绍链接地址：

腾讯云云服务器（CVM）：提供弹性计算能力，支持多种操作系统，适用于各类应用场景。详情请参考：https://cloud.tencent.com/product/cvm
腾讯云云数据库MySQL版：提供高性能、可扩展的MySQL数据库服务，适用于各类应用场景。详情请参考：https://cloud.tencent.com/product/cdb_mysql
腾讯云人工智能平台（AI Lab）：提供丰富的人工智能算法和模型，支持图像识别、语音识别、自然语言处理等应用。详情请参考：https://cloud.tencent.com/product/ai_lab
腾讯云物联网平台（IoT Hub）：提供全面的物联网解决方案，支持设备接入、数据管理、消息通信等功能。详情请参考：https://cloud.tencent.com/product/iothub
腾讯云移动应用开发平台（MPS）：提供一站式移动应用开发服务，支持应用发布、推送、统计等功能。详情请参考：https://cloud.tencent.com/product/mps

相关搜索:邻接矩阵-r无法识别我的矩阵如何在R中为我的循环创建数据矩阵？用R中的dplyr创建三个变量的邻接矩阵改进用于创建邻接矩阵的循环嵌套速度R 根据R中的二进制调查响应创建邻接矩阵在R中创建具有给定概率的随机项的矩阵创建类似于给定模板的假数据从海量数据集中的邻接矩阵创建边缘列表 R:给定一个0和1的矩阵，创建显示行中列之间重复的矩阵根据数据框中的共享属性创建邻接矩阵或列表如何创建一个使用R中数据集中的值创建矩阵的函数？R中无邻接矩阵的顶点属性值动态查询使用R得到GeoJSON中多边形的邻接矩阵使用给定的PCoA距离矩阵在R中创建UniFrac图如何从源/目标对的长列表中创建邻接矩阵？基于R中的前一个矩阵创建新矩阵如何将加权边列表转化为r中的邻接矩阵如何通过减去给定矩阵中的列来创建新矩阵？从一些给定的矩阵创建一个矩阵如何根据双模网络的匹配创建单模网络(邻接矩阵)

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

使用图进行特征提取：最有用的图特征机器学习模型介绍

从图中提取特征与从正常数据中提取特征完全不同。图中的每个节点都是相互连接的，这是我们不能忽视的重要信息。幸运的是，许多适合于图的特征提取方法已经创建，这些技术可以分为节点级、图级和邻域重叠级。在本文中，我们将研究最常见的图特征提取方法及其属性。

04

图机器学习无处不在! 用 Transformer 可缓解 GNN 限制

在我们今天的生活中，图的示例包括社交网络、例如Twitter、Mastodon、以及任何链接论文和作者的引文网络，分子，知识图、例如 UML 图、百科全书以及有超链接的网站，表示为句法树的句子以及任何的 3D 网格等，可以说图已经无处不在。

02

数据结构：图

无论是有向图还是无向图，主要的存储方式都有两种：邻接矩阵和邻接表。前者图的数据顺序存储结构，后者属于图的链接存储结构。

04

图机器学习无处不在，用 Transformer 可缓解 GNN 限制

作者 | Clémentine Fourrier 编译 | 黄楠编辑 | 陈彩娴在我们今天的生活中，图的示例包括社交网络、例如Twitter、Mastodon、以及任何链接论文和作者的引文网络，分子，知识图、例如 UML 图、百科全书以及有超链接的网站，表示为句法树的句子以及任何的 3D 网格等，可以说图已经无处不在。近日，Hugging Face 研究科学家 Clémentine Fourrier 在文章《Introduction to Graph Machine Learning》就介绍了今天这种

02

算法与数据结构(四) 图的物理存储结构与深搜、广搜(Swift版)

开门见山，本篇博客就介绍图相关的东西。图其实就是树结构的升级版。上篇博客我们聊了树的一种，在后边的博客中我们还会介绍其他类型的树，比如红黑树，B树等等，以及这些树结构的应用。本篇博客我们就讲图的存储结构以及图的搜索，这两者算是图结构的基础。下篇博客会在此基础上聊一下最小生成树的Prim算法以及克鲁斯卡尔算法，然后在聊聊图的最短路径、拓扑排序、关键路径等等。废话少说开始今天的内容。一、概述在博客开头，我们先聊一下什么是图。在此我不想在这儿论述图的定义，当然那些是枯燥无味的。图在我们生活中无处不在呢，各种地

图论！深度学习的图原理

在图论的上下文中，图是一种结构化数据类型，具有节点(nodes)（保存信息的实体）和边缘(edges)（连接节点的连接，也可以保存信息）。

04

图的周游

图的周游：是一种按某种方式系统地访问图中的所有节点的过程，它使每个节点都被访问且只访问一次。图的周游也称图的遍历。

02

图数据表征学习，绝不止图神经网络一种方法

近年来，图神经网络掀起了将深度学习方法应用于图数据分析的浪潮。不过其作为一门古老的认识世界的方法论，人们对于图数据表征技术的研究从很早以前就开始了。

05

如何利用图卷积网络对图进行深度学习（上）

基于图的机器学习是一项困难的任务，因为图的结构非常复杂，而且信息量也很大。这篇文章是关于如何用图卷积网络（GCNs）对图进行深度学习的系列文章中的第一篇，GCNs是一种强大的神经网络，旨在直接处理图并利用其结构信息。

02

入门学习 | 什么是图卷积网络？行为识别领域新星

【导读】图卷积网络（Graph Convolutional Network，GCN）是近年来逐渐流行的一种神经网络结构。不同于只能用于网格结构（grid-based）数据的传统网络模型 LSTM 和 CNN，图卷积网络能够处理具有广义拓扑图结构的数据，并深入发掘其特征和规律，例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不规则数据。相比于一般的拓扑图而言，人体骨骼拓扑图具有更加良好的稳定性和不变性，因此从2018年开始，就有许多学者尝试将图卷积网络应用到基于人体骨骼的行为识别领域来，也取得了不错的成果。下面就让我们来深入了解一下什么是图卷积网络，以及它在行为识别领域的最新工作进展吧！

03

理解谱聚类

聚类是典型的无监督学习问题，其目标是将样本集划分成多个类，保证同一类的样本之间尽量相似，不同类的样本之间尽量不同，这些类称为簇（cluster）。与有监督的分类算法不同，聚类算法没有训练过程，直接完成对一组样本的划分。

02

PHP数据结构-图的存储结构

图的概念介绍得差不多了，大家可以消化消化再继续学习后面的内容。如果没有什么问题的话，我们就继续学习接下来的内容。当然，这还不是最麻烦的地方，因为今天我们只是介绍图的存储结构而已。

03

图卷积网络 (GCN) 的高层解释

图的独特功能可以捕获数据之间的结构关系，从而比孤立地分析数据可以获得更多的洞察力。图是最通用的数据结构之一。它们自然出现在许多应用领域，从社会分析、生物信息学到计算机视觉。

03

Hello World, GNN

本案例的内容呢，主要是利用论文间的相互引用关系，设计一个GCN网络进行论文分类。具体的数据结构与内容会在下文详细介绍。

01

8-2 图的存储结构

图结构的元素之间虽然具有“多对多”的关系，但是同样可以采用顺序存储，即使用数组有效地存储图。

03

Python 谱聚类算法从零开始

谱聚类算法是一种常用的无监督机器学习算法，其性能优于其他聚类方法。此外，谱聚类实现起来非常简单，并且可以通过标准线性代数方法有效地求解。在谱聚类算法中，根据数据点之间的相似性而不是k-均值中的绝对位置来确定数据点属于哪个类别下。具体区别可通过下图直观看出：

02

期末复习之数据结构第7章图

含有n个顶点的无向完全图有多少条边？ n×(n-1)/2条边含有n个顶点的有向完全图有多少条弧？ n×(n-1)条边

03

5.2.2 邻接表法

当一个图为稀疏图时，使用邻接矩阵表示法显然要浪费大量的存储空间。而图的邻接表示法结合了顺序存储和链式存储方法，大大减少了这种不必要的浪费。

03

算法：图的广度优先遍历（Breadth First Search)

图的遍历和树的遍历类似，我们希望从图中某一顶点出发访遍图中其余顶点，且使每一个顶点仅被访问一次，这一过程就叫做图的遍历（Traverse Graph)。图的遍历方法一般有两种，第一种是我们在前面讲过的《深度优先遍历（Depth First Search)》,也有称为深度优先搜索，简称为DFS。第二种是广度优先遍历（Breadth First Search)，也有称为广度优先搜索，简称为BFS。我们在《队列与广度优先搜索》中已经较为详细地讲述了广度优先搜索的策略，这里不再赘述。如果说图的深度优先遍历类

深度学习的图原理

在图论的上下文中，图是一种结构化数据类型，具有节点(nodes)（保存信息的实体）和边缘(edges)（连接节点的连接，也可以保存信息）。

02

重新思考图卷积网络：GNN只是一种滤波器

最近关于顶点分类(vertex classification)的工作提出了深度和分布式的学习模型，以实现高性能和可扩展性。

03

NeurIPS 2016 | VGAE：变分图自编码器

自编码器在图领域有着很多应用，其本质就是编码器获取节点的高级向量表示，然后解码器利用高级向量表示来重建图结构。这篇文章主要介绍Kipf和Welling提出的变分图自编码器模型VGAE，在介绍VGAE之前，首先需要介绍GAE，即图自编码器。

03

动画解析：图的遍历方式有哪些？

景禹：图的遍历方法包括深度优先遍历（搜索）和广度优先遍历（搜索）两种方式。小禹禹能给我说一下树的四种遍历方式吗？

03

行为动作识别

随着计算机学科与人工智能的发展和应用，视频分析技术迅速兴起并得到了广泛关注。视频分析中的一个核心就是人体行为识别，行为识别的准确性和快速性将直接影响视频分析系统后续工作的结果。因此，如何提高视频中人体行为识别的准确性和快速性，已成为视频分析系统研究中的重点问题。

02

深度优先算法和广度优先算法

在数据结构中，树和图可以说是不可或缺的两种数据结构。其中，对于图来说，最重要的算法可以说就是遍历算法。而搜索算法中，最标志性的就是深度优先算法和广度优先算法。

06

图卷积网络图深度学习（上）

基于图的机器学习是一项困难的任务，因为图的结构非常复杂，而且信息量也很大。本文是关于如何利用图卷积网络(GCNs)对图进行深度学习的系列文章中的第一篇。GCNs是一种功能强大的神经网络，旨在直接处理图并利用图的结构信息。该系列文章包括:

04

数据结构10 图

这一篇我们要总结的是图(Graph)，图可能比我们之前学习的线性结构和树形结构都要复杂，不过没关系，我们一点一点地来总结。那么关于图，我将从以下几点进行总结： 1、图的定义 2、图相关的概念和术语 3、图的创建和遍历 1、图的定义什么是图呢？图是一种复杂的非线性结构。在线性结构中，数据元素之间满足唯一的线性关系，每个数据元素(除第一个和最后一个外)只有一个直接前驱和一个直接后继；在树形结构中，数据元素之间有着明显的层次关系，并且每个数据元素只与上一层中的一个元素(父节点)及下一层的多个元素(孩子节点

07

图神经网络的数学原理总结

来源：深度学习基础与进阶本文约6500字，建议阅读13分钟本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释。图深度学习(Graph Deep Learning) 多年来一直在加速发展。许多现实生活问题使GDL成为万能工具：在社交媒体、药物发现、芯片植入、预测、生物信息学等方面都显示出了很大的前景。本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释，图深度学习背后的思想是学习具有节点和边的图的结构和空间特征，这些节点和边表示实体及其交互。图在我们进入图神经网络之前，让我们先

05

图图的存储、BFS、DFS（听说叠词很可爱）

图的基本概念中我们需要掌握的有这么几个概念：无向图、有向图、带权图；顶点（vertex）；边（edge）；度（degree）、出度、入度。下面我们就从无向图开始讲解这几个概念。

02

论文赏析[NAACL19]无监督循环神经网络文法 (URNNG)

https://godweiyang.com/2019/04/20/NAACL19-URNNG/godweiyang.com

01

谱聚类概述

作者 | 荔枝boy 编辑 | 磐石出品 | 磐创AI技术团队【磐创AI导读】：本文主要介绍了谱聚类的相关概念。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。目录：一．简述二．图相关的符号符号三．相似度矩阵S 四．拉普拉斯矩阵L性质五．谱聚类算法六．总结一．简述聚类是对探索性数据分析最广泛使用的技术，在现在各个科学领域中处理没有类标的数据时，人们总是想通过确定数据中不同样本的归类，来获取对数据的直观印象。传统的聚类方法有很多，像K-me

03

图的遍历 --- 深度优先遍历

图，也是一种数据结构，其节点可以具有零个或者多个相邻元素，两个节点之间的连接称为边，节点也称为顶点，图表示的是多对多的关系。

02

深度优先搜索遍历与广度优先搜索遍历

1、图的遍历和树的遍历类似，图的遍历也是从某个顶点出发，沿着某条搜索路径对图中每个顶点各做一次且仅做一次访问。它是许多图的算法的基础。深度优先遍历和广度优先遍历是最为重要的两种遍历图的方法。它们对无向图和有向图均适用。注意：以下假定遍历过程中访问顶点的操作是简单地输出顶点。 2、布尔向量visited[0．．n-1]的设置图中任一顶点都可能和其它顶点相邻接。在访问了某顶点之后，又可能顺着某条回路又回到了该顶点。为了避免重复访问同一个顶点，必须记住每个已访问的顶点。为此，可设一布尔向量visited[0．．n-1]，其初值为假，一旦访问了顶点Vi之后，便将visited[i]置为真。深度优先遍历(Depth-First Traversal) 1．图的深度优先遍历的递归定义假设给定图G的初态是所有顶点均未曾访问过。在G中任选一顶点v为初始出发点(源点)，则深度优先遍历可定义如下：首先访问出发点v，并将其标记为已访问过；然后依次从v出发搜索v的每个邻接点w。若w未曾访问过，则以w为新的出发点继续进行深度优先遍历，直至图中所有和源点v有路径相通的顶点(亦称为从源点可达的顶点)均已被访问为止。若此时图中仍有未访问的顶点，则另选一个尚未访问的顶点作为新的源点重复上述过程，直至图中所有顶点均已被访问为止。图的深度优先遍历类似于树的前序遍历。采用的搜索方法的特点是尽可能先对纵深方向进行搜索。这种搜索方法称为深度优先搜索(Depth-First Search)。相应地，用此方法遍历图就很自然地称之为图的深度优先遍历。 2、深度优先搜索的过程设x是当前被访问顶点，在对x做过访问标记后，选择一条从x出发的未检测过的边(x，y)。若发现顶点y已访问过，则重新选择另一条从x出发的未检测过的边，否则沿边(x，y)到达未曾访问过的y，对y访问并将其标记为已访问过；然后从y开始搜索，直到搜索完从y出发的所有路径，即访问完所有从y出发可达的顶点之后，才回溯到顶点x，并且再选择一条从x出发的未检测过的边。上述过程直至从x出发的所有边都已检测过为止。此时，若x不是源点，则回溯到在x之前被访问过的顶点；否则图中所有和源点有路径相通的顶点(即从源点可达的所有顶点)都已被访问过，若图G是连通图，则遍历过程结束，否则继续选择一个尚未被访问的顶点作为新源点，进行新的搜索过程。 3、深度优先遍历的递归算法（1）深度优先遍历算法 typedef enum{FALSE，TRUE}Boolean；//FALSE为0，TRUE为1 Boolean visited[MaxVertexNum]； //访问标志向量是全局量 void DFSTraverse(ALGraph *G) { //深度优先遍历以邻接表表示的图G，而以邻接矩阵表示G时，算法完全与此相同 int i； for(i=0;i<G->n;i++) visited[i]=FALSE； //标志向量初始化 for(i=0;i<G->n；i++) if(!visited[i]) //vi未访问过 DFS(G，i)； //以vi为源点开始DFS搜索 }//DFSTraverse （2）邻接表表示的深度优先搜索算法 void DFS(ALGraph *G，int i){ //以vi为出发点对邻接表表示的图G进行深度优先搜索 EdgeNode *p； printf("visit vertex：％c"，G->adjlist[i].vertex)；//访问顶点vi visited[i]=TRUE； //标记vi已访问 p=G->adjlist[i].firstedge； //取vi边表的头指针 while(p){//依次搜索vi的邻接点vj，这里j=p->adjvex if (!visited[p->adjvex])//若vi尚未被访问 DFS(G，p->adjvex);//则以Vj为出发点向纵深搜索 p=p->next； //找vi的下一邻接点 } }//DFS （3）邻接矩阵表示的深度优先搜索算法 void DFSM(MGraph *G，int i) { //以vi为出发点对邻接矩阵表示的图G进行DFS搜索，设邻接矩阵是0,l矩阵 int j； printf("visit vertex：％c"，G->vexs[i])；//访问顶点vi visited[i]=TRUE； for(j=0；j<G->n；j++) //依次搜索vi的邻接点 if(G->edges[i][j]==1&&!vi

05

数据结构之图

基本概念图(Graph)：图(Graph)是一种比线性表和树更为复杂的数据结构。图结构：是研究数据元素之间的多对多的关系。在这种结构中，任意两个元素之间可能存在关系。即结点之间的关系可以是任意的，图中任意元素之间都可能相关。图G由两个集合V(顶点Vertex)和E(边Edge)组成，定义为G=(V，E) 线性结构：是研究数据元素之间的一对一关系。在这种结构中，除第一个和最后一个元素外，任何一个元素都有唯一的一个直接前驱和直接后继。树结构：是研究数据元素之间的一对多的关系。在这种结构中

05

WWW 2022 | 无监督图结构学习

来源：PaperWeekly本文约4500字，建议阅读10+分钟本文率先提出了无监督图结构学习的范式，旨在不依赖标签信息的条件下，从数据本身中学习更普适、更高质量的图结构。 ©作者 | Yuki 研究方向 | 推荐系统，图神经网络论文题目： Towards Unsupervised Deep Graph Structure Learning 论文链接： https://arxiv.org/pdf/2201.06367.pdf 代码链接： https://github.com/GRAND-Lab/SUBL

02

机器理解大数据的秘密：聚类算法深度详解

选自Medium 作者：Peter Gleeson 机器之心编译参与：吴攀、蒋思源、李泽南、李亚洲在理解大数据方面，聚类是一种很常用的基本方法。近日，数据科学家兼程序员 Peter Gleeson

07

golang刷leetcode图（2）课程表排序

在选修某些课程之前需要一些先修课程。例如，想要学习课程 0 ，你需要先完成课程 1 ，我们用一个匹配来表示他们: [0,1]

02

OpenGraph: 通用图大模型

论文：arxiv.org/abs/2403.01121 代码：github.com/HKUDS/OpenGraph 港大数据智能实验室主页: sites.google.com/view/chaoh

01

图（graph）原

图是非线性数据结构，是一种较线性结构和树结构更为复杂的数据结构，在图结构中数据元素之间的关系可以是任意的，图中任意两个数据元素之间都可能相关。

02

5.3.1图的遍历

图的遍历是指从图中的某一顶点出发，按照某种搜索方法沿着图中的边对图中的所有顶点访问一次且仅访问一次。注意到树是一种特殊的图，所以树的遍历实际上也可以看作是一种特殊图的遍历。图的遍历是图的一种最基本的操作，其他许多操作都建立在图的遍历操作基础之上。

01

图机器学习 2.2-2.4 Properties of Networks, Random Graph

图机器学习 2.1 Properties of Networks, Random Graph

02

【译】图上的深度学习综述五、图自编码器

自编码器（AE）及其变体被广泛用于无监督学习 [74]，它适用于学习没有监督信息的图节点表示。在本节中，我们将首先介绍图自编码器，然后转向图变分自编码器和其他改进。表 4 总结了所调查的 GAE 的主要特征。

02

最短路径dijkstra，floyd

给定一个带权有向图G=（V,E），其中每条边的权是一个实数。另外，还给定V中的一个顶点，称为源。现在要计算从源到其他所有各顶点的最短路径长度。这里的长度就是指路上各边权之和。这个问题通常称为单源最短路径 [1] 问题。

02

ICML 2019 | SGC：简单图卷积网络

题目：Simplifying Graph Convolutional Networks

02

J Cheminform｜使用具有自适应训练数据的GANs搜索新分子

今天给大家介绍的是美国橡树岭国家实验室的Andrew E. Blanchard等人于2021.2.23发表在Journal of Cheminformatics上的文章Using GANs with adaptive training data to search for new molecules。药物发现的过程涉及到对所有可能的化合物的空间进行搜索，生成对抗网络(GAN)为探索化学空间和优化已知化合物提供了一个有力工具。然而，训练GANs的标准方法可能导致模式崩溃，其中生成器主要产生与训练数据的一小部分密切相关的样本。相反，寻找新化合物需要超越原始数据的探索。在本文中，作者提出了一种训练GANS的方法，它促进增量探索，并利用遗传算法的概念限制模式崩溃的影响。在此方法中，来自生成器的有效样本被用来替换来自训练数据的样本。在替换过程中，作者考虑随机和引导选择以及重组。通过跟踪训练过程中产生的新化合物的数量，结果表明，对训练数据的更新大大优于传统的方法，增加了GANs在药物发现中的潜在应用。

03

机器理解大数据的秘密：聚类算法深度详解

来源：机器之心作者：Peter Gleeson 校对：吼海雕编辑：冯夕琴本文共6800字，建议阅读17分钟本文对一些聚类算法进行了基础介绍，并通过简单而详细的例证对其工作过程进行了解释说明。看看下面这张图，有各种各样的虫子和蜗牛，你试试将它们分成不同的组别？不是很难吧，先从找出其中的蜘蛛开始吧！完成了吗？尽管这里并不一定有所谓的「正确答案」，但一般来说我们可以将这些虫子分成四组：蜘蛛、蜗牛、蝴蝶/飞蛾、蜜蜂/黄蜂。很简单吧？即使虫子数量再多一倍你也能把它们分清楚，对吗？你只需要一点时

5.3.2 深度优先搜索（Depth-First-Search，DFS）

与广度优先搜索不同，深度优先搜索（DFS）类似于树的先序遍历。正如其名称中所暗含的意思一样，这种搜索所遵循的搜索策略是尽可能“深”地搜索一个图。它的基本思想如下：首先访问图中某一起始顶点v，然后由v出发，访问与v邻接且未访问的任一顶点W1，再访问与w1邻接且未被访问任一W2，……重复上述过程。当不能再继续向下访问时，依次退回到最近被访问的顶点，若它还有邻接顶点未被访问过，则从该点开始上述搜索过程，直到图中所有顶点均被访问过止。

03

AAAI 2019 论文解读：卷积神经网络继续进步

分析师简介：Joshua 已于 2018 年取得多伦多大学应用科学硕士（MASc）学位。他的研究重心是格形码（lattice codes）、低密度奇偶校验（LDPC）码以及编码理论的其它方面。他也对凸优化和随机过程感兴趣。Joshua 目前在高通工作，是一位机器学习工程师，专注对推理的优化。

02

数学建模暑期集训22：图论最短路径问题——Dijkstra算法和Floyd算法

Dijkstra是图论中经典的算法，可以计算图中一点到其它任意一点的最短路径。学过数据结构的应该都接触过，因此具体的演示这里不再赘述。完整的演示可以参看图论最短距离(Shortest Path)算法动画演示-Dijkstra(迪杰斯特拉)和Floyd(弗洛伊德) 算法的缺点：不能处理带负权重的图。

03

【愚公系列】软考中级-软件设计师 020-数据结构（图）

图是一种非线性数据结构，它由节点（也称为顶点）和连接这些节点的边组成。图可以用来表示各种关系和连接，比如网络拓扑、社交网络、地图等等。图的节点可以包含任意类型的数据，而边则表示节点之间的关系。图有两种常见的表示方法：邻接矩阵和邻接表。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭