有向图

我觉得去理解数据结构的时候，需要注意到它其实包含两个层面。一个层面是高一级的，从功能、接口的角度去理解，比如说堆，有什么功用，都有怎样的 API；另一个层面是低一级的，从结构和实现的角度去理解，比如堆的实现，可以用数组实现，也可以用单独的节点对象+指针实现。上面一层相同，但是下面一层不同，功能上可能基本一致，但是性能上针对不同的应用场景就可以天差地别

图是用来对 对象之间 的成对关系建模的数学结构，由 节点 或 顶点(Vertex) 以及连接这些顶点的 边(Edge) 组成。 值得注意的是，图的顶点集合不能为空，但边的集合可以为空，通俗的讲，一张图，没有点不行，没有边可以，大不了点与点之间不相连。图可能是无向的，这意味着图中的边在连接顶点时无需区分方向

太少写算法了，基础知识都还给老师了 😅 有向图的连通性有三种：强连通，单向连通，弱连通。 强连通指图中任意两个节点之间都可以相互连通。 单向连通指图中任意两个节点之间存在任意方向的连通，不要求相互连通

A * 算法每次从优先队列中取出一个 最小的元素，然后更新相邻的状态。 上述条件下，如果 满足三角形不等式，则 A * 算法不会将重复结点加入队列。 题目大意：在 的棋盘上，摆有八个棋子，每个棋子上标有 至 的某一数字

Prim算法是直接查找，多次寻找邻边的权重最小值，而Kruskal是需要先对权重排序后查找的；Kruskal在算法效率上是比Prim快的，因为Kruskal只需一次对权重的排序就能找到最小生成树，而Prim算法需要多次对邻边排序才能找到。 深度优先遍历的策略就是首先访问第一个邻接结点，然后再以这个被访问的邻接结点作为初始结点，访问它的第一个邻接结点；广度遍历类似于一个分层搜索的过程，广度优先遍历需要使用一个队列以保持访问过的结点的顺序，以便按这个顺序来访问这些结点的邻接结点。 Dijkstra算法是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题

AI人工智能术语和概念词汇表让您更了解人工智能 人工智能领域不断扩大，站在了主流突破的悬崖边上。无论AI增强型智能手机如何掀起公众狂热，还是无人驾驶汽车首先到达那里，显然我们正式进入AI时代。 反对者会指出人工智能不是新的; 研究人员在20世纪50年代深入探讨了自主计算的概念

最短路径有着广泛的应用，比如地图两点间距离计算，公交查询系统，路由选择等。@pdai 最短路径问题是图论研究中的一个经典算法问题，旨在寻找图(由结点和路径组成的)中两结点之间的最短路径。最短路径不一定是经过边最少的路径，但在这些最短路径中，长度最短的那一条路径上只有一条边，且它的权值在从源点出发的所有边的权值最小

拓扑排序: 就是按照逻辑上先后发生的顺序进行排序。 所以只有 有向图 才有拓扑序。 根据定义，如果图中有环则不能拓扑排序

这周学的是图，既然是新的概念，首先要了解它的定义和基本术语，我们这里主要讲术语，包括但不限于有向图和无向图，邻接点，出度和入度，路径和路径长度，连通图和连通分量（这里重点讲一下）图中任意两个顶点属于V集合，则图是连通的，所谓连通分量，指的是无向图中的极大连通子图；对于有向图，就是它本身啊！不能再错了） 然后就是图的存储结构这里，主要有邻接矩阵和邻接表，邻接矩阵主要有两数组，顶点表和邻接矩阵，若有权值则需将矩阵中赋予相应的值；然后是邻接表，这里涉及到指针，在构建时，有3个结构体，我个人比较容易忘记是定点指针那里，还要多多回归课本。 对图的遍历主要有2种算法BFS和DFS；直接上代码： 然后是最小生成树这里，有两个重要的方法，一个是不断找能构成最小权值的边的顶点，把他补充到集合U中。

你想娶酋长的女儿，但酋长要求你给一定数额金钱的聘礼。除了金钱外，酋长也允许你用部落里其他人的某物品加上一点钱作为聘礼。而其他人的物品也可以通过指定的另外一些人的某物品加上一些金钱获得