当前位置: 首页 > ops >正文

数据结构:最小生成树—Prim(普里姆)与Kruskal(克鲁斯卡尔)算法

📌 目录

  • 最小生成树(MST)算法详解 👣
  • 一、引言 👀
    • 1. 问题背景 👂
    • 2. 算法概览 👃
  • 二、基础概念回顾 👅
    • 1. 图的术语 👄
    • 2. 贪心算法思想 💋
  • 三、Prim 算法详解 👓
    • 1. 算法思想 👔
    • 2. 图解示例 👕
    • 3. 算法步骤 👖
    • 4. 代码实现(伪代码) 👗
    • 5. 复杂度与适用场景 👘
  • 四、Kruskal 算法详解 👙
    • 1. 算法思想 👚
    • 2. 图解示例 👛
    • 3. 算法步骤 👜
    • 4. 代码实现(伪代码)👝
    • 5. 复杂度与适用场景 🎒
  • 五、对比与总结 💼
    • 1. 核心差异对比 👞
    • 2. 如何选择算法?👟
    • 3. 常见误区 👠


最小生成树(MST)算法详解 👣

一、引言 👀

1. 问题背景 👂

在图论中,最小生成树(Minimum Spanning Tree, MST) 是指在一个连通加权无向图中,找到一棵包含所有顶点的生成树,并且所有边的权值之和最小。MST 在现实世界中有广泛的应用,例如:

  • 网络设计(如光纤布线、通信网络优化)
  • 电路布线(减少电路板连接成本)
  • 交通规划(优化城市道路或铁路连接)

为什么需要最小生成树?
在连通图中,可能存在多条路径连接所有节点,但不同的边权值(如距离、成本)不同。MST 的目标是找到总成本最低的连接方式,避免冗余连接,提高效率。

2. 算法概览 👃

目前最经典的两种 MST 算法是 Prim 算法Kruskal 算法,它们均采用贪心策略,但在实现方式上有所不同:

维度Prim 算法Kruskal 算法
贪心策略从顶点出发,逐步扩展最小边按边权排序,逐步选择最小边
数据结构优先队列(最小堆)并查集(Union-Find)
适用图类型稠密图(邻接矩阵)稀疏图(边较少)

二、基础概念回顾 👅

1. 图的术语 👄

  • 连通图:任意两个顶点之间都存在路径。
  • 加权图:每条边都有一个权值(如距离、成本)。
  • 生成树:包含图中所有顶点的无环连通子图。

2. 贪心算法思想 💋

贪心算法在每一步选择当前最优解,最终希望达到全局最优。Prim 和 Kruskal 算法都基于贪心策略:

  • Prim:每次选择连接已选顶点和未选顶点的最小边
  • Kruskal:每次选择全局最小且不构成环的边

三、Prim 算法详解 👓

1. 算法思想 👔

Prim 算法从一个顶点出发,逐步扩展 MST,每次选择连接已选顶点集和未选顶点集的最小权值边,直到覆盖所有顶点。

2. 图解示例 👕

在这里插入图片描述

3. 算法步骤 👖

  1. 初始化:任选一个顶点作为起点,加入 MST 集合。
  2. 重复操作
    • 找到连接已选顶点集未选顶点集的最小权值边。
    • 将该边加入 MST,并将新顶点加入已选集合。
  3. 终止条件:所有顶点均被包含。

4. 代码实现(伪代码) 👗

def prim(graph):MST = set()visited = {random_vertex}  # 随机选择一个起点while len(visited) < len(graph.vertices):min_edge = find_min_edge_between(visited, graph)MST.add(min_edge)visited.add(min_edge.new_vertex)return MST

5. 复杂度与适用场景 👘

  • 时间复杂度
    • 普通实现: O ( V 2 ) O(V^2) O(V2)(适合邻接矩阵稠密图)。
    • 优先队列优化 O ( E l o g V ) O(E log V) O(ElogV)(适合邻接表存储的图)。
  • 适用场景:适合边数较多的稠密图(如完全图)。

四、Kruskal 算法详解 👙

1. 算法思想 👚

Kruskal 算法按边权从小到大排序,逐步选择最小边,并确保不形成环(使用并查集检测)。

2. 图解示例 👛

在这里插入图片描述

3. 算法步骤 👜

  1. 边排序:将所有边按权值升序排列。
  2. 初始化并查集:每个顶点自成一个集合。
  3. 遍历边:依次选择最小边,若两端点不在同一集合,则加入 MST 并合并集合。

4. 代码实现(伪代码)👝

def kruskal(graph):MST = set()edges_sorted = sort(graph.edges)  # 按边权排序uf = UnionFind(graph.vertices)    # 初始化并查集for edge in edges_sorted:if uf.find(edge.u) != uf.find(edge.v):  # 检查是否成环MST.add(edge)uf.union(edge.u, edge.v)return MST

5. 复杂度与适用场景 🎒

  • 时间复杂度 O ( E l o g E ) O(E log E) O(ElogE)(主要由排序决定)。
  • 适用场景:适合边较少的稀疏图(如社交网络)。

五、对比与总结 💼

1. 核心差异对比 👞

维度Prim 算法Kruskal 算法
贪心策略顶点扩展边排序
数据结构优先队列(最小堆)并查集
时间复杂度(O(E \log V))(堆优化)(O(E \log E))(排序主导)
适用图类型稠密图稀疏图

2. 如何选择算法?👟

  • Prim:适合邻接矩阵存储的稠密图(如完全图)。
  • Kruskal:适合边较少的稀疏图(如社交网络)。

3. 常见误区 👠

  • 负权边:两种算法均支持,不影响结果。
  • 非连通图:需额外处理,否则无法生成完整 MST。

http://www.xdnf.cn/news/14688.html

相关文章:

  • 使用asyncio构建高性能网络爬虫
  • Linux离线搭建Redis (centos7)详细操作步骤
  • Python助力自动驾驶:深度学习模型优化全攻略
  • Flutter基础(Riverpod)
  • 用AI给AR加“智慧”:揭秘增强现实智能互动的优化秘密
  • 【学习笔记】深入理解Java虚拟机学习笔记——第12章 Java内存模型与线程
  • RNN(循环神经网络)与LSTM(长短期记忆网络)输出的详细对比分析
  • 战神授权后台报错:Parse error: syntax error, unexpected end of file in解决办法
  • zookeeper Curator(3):Watch事件监听
  • 搭建Flink分布式集群
  • 深入详解:随机森林算法——概念、原理、实现与应用场景
  • Spring Cloud:高级特性与最佳实践
  • Python基础知识之文件
  • 深入剖析 CVE-2021-3560 与 CVE-2021-4034:原理、区别与联系
  • SQL学习笔记4
  • python基于Django+mysql实现的图书管理系统【完整源码+数据库】
  • 基于springboot的火锅店点餐系统
  • 代码随想录|图论|09沉没孤岛
  • 中国双非高校经费TOP榜数据分析
  • 【数据结构】B树的介绍及其实现C++
  • 鸿蒙OS开发IoT控制应用:从入门到实践
  • EXCEL数据报表
  • 修改Docker-compose使Uptime-Kuma支持IPV6
  • 免费无广告PDFCreator:虚拟打印软件一键转 PDF/PNG/JPG
  • Solidity学习 - 未授权访问
  • 问卷调查 [oled]
  • 车载诊断架构--- 车载诊断中的引导式诊断
  • MySQL(1)——count()聚合函数
  • OkHttp 简单配置
  • 链表题解——两数相加【LeetCode】