Python|Python 图_系列之基于实现无向图最短路径搜索 Python图_系列之基于实现无向图

图的常用存储方式有 2 种：

邻接炬阵
链接表

邻接炬阵的优点和缺点都很明显。优点是简单、易理解，对于大部分图结构而言，都是稀疏的，使用炬阵存储空间浪费就较大。
链接表的存储相比较邻接炬阵，使用起来更方便，对于空间的使用是刚好够用原则，不会产生太多空间浪费。操作起来，也是简单。
本文将以链接表方式存储图结构，在此基础上实现无向图最短路径搜索。
1. 链接表链接表的存储思路：
使用链接表实现图的存储时，有主表和子表概念。

主表：用来存储图对象中的所有顶点数据。
子表：每一个顶点自身会维护一个子表，用来存储与其相邻的所有顶点数据。

如下图结构中有 5 个顶点，使用链接表保存时，会有主表 1 张，子表 5 张。链接表的优点是能够紧凑地表示稀疏图。

文章图片
实现无向图最短路径搜索_第1张图片" width="650" height="433" style="border:1px solid black; ">

文章图片
实现无向图最短路径搜索_第2张图片" width="563" height="449" style="border:1px solid black; ">
在 Python 中可以使用列表嵌套实现链接表，这应该是最简单的表达方式。

g = [ ['A0', [('B1', 3), ('D3', 5)]], ['B1', [('C2', 4)]], ['C2', [('D3', 6), ('E4', 1)]], ['D3', [('E4', 2)]], ['E4', [('B1', 7)]], ]

在此基础上，可以做一些简单的常规操作。
查询所有顶点：

for node in g: print(node[0],end=' ')

查询顶点及其相邻顶点：

for node in g: print('-------------------') print(node[0], ":", end='') edges = node[1] for e in edges: v, w = e print(v, w, end='; ') print()

当顶点和相邻顶点之间的关系很复杂时，这种层层嵌套的存储格式会让人眼花缭乱。即使要使用这种嵌套方式，那也应该选择 Python 中的字典类型，对于查询会方便很多。

g = { 'A0':{'B1': 3, 'D3': 5}, 'B1': {'C2': 4}, 'C2': {'D3': 6, 'E4': 1}, 'D3': {'E4':2}, 'E4': {'B1': 7} }

如上结构，在查询时，无论是方便性还是性能，都要强于完全的列表方案。
查询所有顶点：

for node in g.keys(): print(node,end=" ")

查询与某一顶点相邻的顶点时，只需要提供顶点名称就可以了。

print("查询与 A0 项点有连接的其它顶点") for k, v in g.get('A0').items(): print((k, v), end="; ")

以上的存储方案，适合于演示，并不适合于开发环境，因顶点本身是具有特定的数据含义（如，可能是城市、公交车站、网址、路由器……），且以上存储方案让顶点和其相邻顶点的信息过度耦合，在实际运用时，会牵一发而动全身。
也许一个微不足道的修改，会波动到整个结构的更新。
所以，有必要引于 OOP 设计理念，让顶点和图有各自特定数据结构，通过 2 种类类型可以更好地体现图是顶点的集合，顶点和顶点之间的多对多关系。
项点类：

class Vertex: def __init__(self, name, v_id=0): # 顶点的编号 self.v_id = v_id # 顶点的名称 self.v_name = name # 是否被访问过:False 没有 True:有 self.visited = False # 与此顶点相连接的其它顶点 self.connected_to = {}

顶点类结构说明：

visited：用于搜索路径算法中，检查节点是否已经被搜索过。
connected_to：存储与项点相邻的顶点信息。这里使用了字典，以顶点为键，权重为值。

图类：

class Graph:def __init__(self): # 一维列表，保存节点 self.vert_list = {} # 顶点个数 self.v_nums = 0 # 使用队列模拟队列或栈，用于路径搜索算法 self.queue_stack = [] # 保存搜索到的路径 self.searchPath = []

图类结构说明：

queue_stack：使用队列模拟栈或队列。用于路径搜索过程中保存临时数据。

怎么使用列表模拟队列或栈？
列表有 append()、pop() 2 个很价值的方法。
append() 用来向列表中添加数据，且每次都是从列表最后面添加。
pop() 默认从列表最后面删除且弹出数据， pop(参数) 可以提供索引值用来从指定位置删除且弹出数据。
使用 append() 和 pop() 方法就能模拟栈，从同一个地方进出数据。
使用 append() 和 pop(0) 方法就能模拟队列，从后面添加数据，从最前面获取数据

searchPath：用于保存搜索到的路径数据。

2. 最短路径算法从图结构可知，从一个顶点到达另一个顶点，可不止一条可行路径，在众多路径我们总是试图选择一条最短路径，当然，需求不同，衡量一个路径是不是最短路径的标准也会不同。
如打开导航系统后，最短路径可能是费用最少的那条，可能是速度最快的那条，也可能是量程数最少的或者是红绿灯是最少的……
在无向图中，以经过的边数最少的路径为最短路径。
在有向加权图中，会以附加在每条边上的权重的数据含义来衡量。权重可以是时间、速度、量程数……
2.1 无向图最短路径算法
查找无向图中任意两个顶点间的最短路径长度，可以直接使用广度搜索算法。如下图求解 A0 ~ F5 的最短路径。

Tips：无向图中任意 2 个顶点间的最短路径长度由边数决定。

文章图片
实现无向图最短路径搜索_第3张图片" width="650" height="628" style="border:1px solid black; ">
广度优先搜索算法流程：
广度优先搜索算法的基本原则：以某一顶点为参考点，先搜索离此顶点最近的顶点，再搜索离最近顶点最近的顶点……以此类推，一层一层向目标顶点推进。
【Python|Python 图_系列之基于实现无向图最短路径搜索】如从顶点 A0 找到顶点 F5。先从离 A0 最近的顶点 B1、D3 找起，如果没找到，再找离 B1、D3 最近的顶点 C2、E4，如果还是没有找到，再找离 C2、E4 最近的顶点 F5。

因为每一次搜索都是采用最近原则，最后搜索到的目标也一定是最近的路径。
也因为采用最近原则，所以搜索过程中，在搜索过程中所经历到的每一个顶点的路径都是最短路径。最近+最近，结果必然还是最近。

文章图片
实现无向图最短路径搜索_第4张图片" width="650" height="487" style="border:1px solid black; ">
显然，广度优先搜索的最近搜索原则是符合先进先出思想的，具体算法实施时可以借助队列实现整个过程。
算法流程：

先确定起始点 A0。
找到 A0 的 2 个后序顶点 B1 、D3 （或者说 B1、D3的前序顶点是 A0），压入队列中。除去起点 A0，B1、D3 顶点属于第一近压入队列的节点。

B1 和 D3 压入队列的顺序并不影响 A0 ~B1 或 A0 ~ D3 的路径距离（都是 1）。
A0~B1 的最短路径长度为 1
A0~D3 的最短路径长度为 1
从队列中搜索 B1 时，找到 B1 的后序顶点 C2 并压入队列。B1 是 C2 的前序顶点。

B1 ~ C2 的最短路径长度为 1，而又因为 A0~B1 的最短路径长度为 1 ，所以 A0 ~ C2 的最短路径为 2
B1 搜索完毕后，在队列中搜索 B3 时，找到 B3 的后序顶点 E4 ，压入队列。因 B1 和 D3 属于第一近顶点，所以这 2 个顶点的后序顶点 C2、E4 属于第二近压入队列，或说 A0-B1-C2、A0-D3-E4 的路径距离是相同的（都为 2）。
当搜索到 C2 时，没有后序顶点，此时队列没有压入操作。
当搜索到 E4 时，E4 有 2 个后序顶点 C2、F5，因 C2 已经压入过，所以仅压入 F5。因 F5 是由第二近顶点压入，所以 F5 是属于第三近压入顶点。

A0-D3-E4-F5 的路径为 3。

文章图片
实现无向图最短路径搜索_第5张图片" width="650" height="410" style="border:1px solid black; ">
编码实现广度优先算法：
在顶点类中添加如下几个方法：

class Vertex: def __init__(self, v_name, v_id=0): # 顶点的编号 self.v_id = v_id # 顶点的名称 self.v_name = v_name # 是否被访问过:False 没有 True:有 self.visited = False # 与此顶点相连接的其它顶点 self.connected_to = {}''' 添加邻接顶点 nbr_ver:相邻顶点 weight:无向无权重图，权重默认设置为 1 ''' def add_neighbor(self, nbr_ver, weight=1): # 以相邻顶点为键，权重为值 self.connected_to[nbr_ver] = weight''' 显示与当前顶点相邻的顶点 ''' def __str__(self): return '与 {0} 顶点相邻的顶点有:{1}'.format(self.v_name, str([(key.v_name, val) for key, val in self.connected_to.items()]))''' 得到相邻顶点的权重 ''' def get_weight(self, nbr_v): return self.connected_to[nbr_v]''' 判断给定的顶点是否和当前顶点相邻 ''' def is_neighbor(self, nbr_v): return nbr_v in self.connected_to

顶点类用来构造一个新顶点，并维护与相邻顶点的关系。
对图类中的方法做一下详细解释：
初始化方法：

class Graph: def __init__(self): # 一维列表，保存节点 self.vert_list = {} # 顶点个数 self.v_nums = 0 # 使用队列模拟队列或栈，用于路径搜索算法 self.queue_stack = [] # 保存搜索到的路径 self.searchPath = []

为图添加新顶点方法：

def add_vertex(self, vert): if vert.v_name in self.vert_list: # 已经存在 return # 顶点的编号内部生成 vert.v_id = self.v_nums # 所有顶点保存在图所维护的字典中，以顶点名为键，顶点对象为值 self.vert_list[vert.v_name] = vert # 数量增一 self.v_nums += 1

顶点的编号由图对象内部指定，便于统一管理。
所有顶点保存在一个字典中，以顶点名称为键，顶点对象为值。也可以使用列表直接保存顶点，根据需要决定。

提供一个根据顶点名称返回顶点的方法：

''' 根据顶点名找到顶点对象 ''' def find_vertex(self, v_name): if v_name in self.vert_list: return self.vert_list.get(v_name) # 查询所有顶点 def find_vertexes(self): return [str(ver) for ver in self.vert_list.values()]

添加顶点与相邻顶点的关系：此方法属于一个封装方法，本质是调用顶点自身的添加相邻顶点方法。

''' 添加节点与节点之间的关系（边），如果是无权重图，统一设定为 1 ''' def add_edge(self, from_v, to_v, weight=1): # 如果节点不存在 if from_v not in self.vert_list: self.add_vertex(from_v) if to_v not in self.vert_list: self.add_vertex(to_v) from_v.add_neighbor(to_v, weight)

图中核心方法：用来广度优先搜索算法查找顶点与顶点之间的路径

''' 广度优先搜索 ''' def bfs_nearest_path(self, from_v, to_v): tmp_path = [] tmp_path.append(from_v) # 起始顶点不用压入队列 from_v.visited = True # from_v 顶点的相邻顶点压入队列 self.push_queue(from_v) while len(self.queue_stack) != 0: # 从队列中获取顶点 v_ = self.queue_stack.pop(0) if from_v.is_neighbor(v_): # 如果 v_ 是 from_v 的后序相邻顶点，则连接成一条中路径信息 tmp_path.append(v_) # 添加路径信息 self.searchPath.append(tmp_path) tmp_path = tmp_path.copy() tmp_path.pop() else: for path_ in self.searchPath: tmp_path = path_.copy() tmp = tmp_path[len(tmp_path) - 1] if tmp.is_neighbor(v_): tmp_path.append(v_) self.searchPath.append(tmp_path) if v_.v_id == to_v.v_id: break else: self.push_queue(v_)''' 把某一顶点的相邻顶点压入队列 ''' def push_queue(self, vertex): # 获取 vertex 顶点的相邻顶点 for v_ in vertex.connected_to.keys(): # 检查此顶点是否压入过 if v_.visited: continue vertex.visited = True self.queue_stack.append(v_)

广度优先搜索算法有一个核心点，当搜索到某一个顶点后，需要找到与此顶点相邻的其它顶点，并压入队列中。push_queue() 方法就是做些事情的。如果某一个顶点曾经进过队列，就不要再重复压入队列了。
测试代码：

''' 测试无向图最短路径 '''if __name__ == '__main__': # 初始化图 graph = Graph() # 添加节点 for v_name in ['A', 'B', 'C', 'D', 'E', 'F']: v = Vertex(v_name) graph.add_vertex(v)# 添加顶点之间关系 v_to_v = [('A', 'B'), ('A', 'D'), ('B', 'C'), ('C', 'E'), ('D', 'E'), ('E', 'F')] # 无向图中每 2 个相邻顶点之间互为关系 for v in v_to_v: f_v = graph.find_vertex(v[0]) t_v = graph.find_vertex(v[1]) graph.add_edge(f_v, t_v) graph.add_edge(t_v, f_v)# 输出所有顶点 print('-----------顶点及顶点之间的关系-------------') for v in graph.find_vertexes(): print(v)# 查找路径 print('-------------广度优先搜索--------------------') # 起始点 f_v = graph.find_vertex('A') # 目标点 t_v = graph.find_vertex('F') # 广度优先搜索 graph.bfs_nearest_path(f_v, t_v) for path in graph.searchPath: weight = 0 for idx in range(len(path)): if idx != len(path) - 1: weight += path[idx].get_weight(path[idx + 1]) print(path[idx].v_name, end='-') print("的最短路径长度，", weight)

输出结果：

-----------顶点及顶点之间的关系------------- 与 A 顶点相邻的顶点有:[('B', 1), ('D', 1)] 与 B 顶点相邻的顶点有:[('A', 1), ('C', 1)] 与 C 顶点相邻的顶点有:[('B', 1), ('E', 1)] 与 D 顶点相邻的顶点有:[('A', 1), ('E', 1)] 与 E 顶点相邻的顶点有:[('C', 1), ('D', 1), ('F', 1)] 与 F 顶点相邻的顶点有:[('E', 1)] -------------广度优先搜索-------------------- A-B-的最短路径长度， 1 A-D-的最短路径长度， 1 A-B-C-的最短路径长度， 2 A-D-E-的最短路径长度， 2 A-B-C-E-的最短路径长度， 3 A-D-E-的最短路径长度， 2 A-B-C-E-的最短路径长度， 3 A-D-E-F-的最短路径长度， 3 A-B-C-E-F-的最短路径长度， 4 A-D-E-F-的最短路径长度， 3 A-B-C-E-F-的最短路径长度， 4

广度优先搜索算法也可以使用递归方案：

''' 递归实现 '''def bfs_nearest_path_dg(self, from_v, to_v):# 相邻顶点 self.push_queue(from_v) tmp_v = self.queue_stack.pop(0) if not tmp_v.visited: self.searchPath.append(tmp_v) if tmp_v.v_id == to_v.v_id: returnself.bfs_nearest_path_dg(tmp_v, to_v)

在无向图中，查找起始点到目标点的最短路径，使用广度优先搜索算法便可实现，但如果是有向加权图，可能不会称心如愿。因有向加权图中的边是有权重的。所以对于有向加权图则需要另择方案。
3. 总结图数据结构的实现过程中会涉及到其它数据结构的运用。学习、使用图数据结构对其它数据结构有重新认识和巩固作用。