普利姆(prim)算法和克鲁斯卡尔(kruskal)算法

介绍了连通网的两种最小生成树算法:普里姆算法(加点法)和克鲁斯卡尔算法(加边法)。普里姆算法通过不断加入顶点来构建最小生成树,而克鲁斯卡尔算法则是通过不断加入边来构建最小生成树。

连通网的最小生成树算法:

1.普里姆算法——”加点法”。
假设N=(V,{E})是连通网,TE为最小生成树的边集合。
(1)初始U={u0}(u0∈V),TE=φ;
(2)在所有u∈U, v∈V-U的边(u,v)中选择一条代价最小的边(u0,v0)并入集合TE,同时将v0并入U;(并修正U-V中各顶点到U的最短边信息)
(3)重复步骤(2),直到U=V为止。
此时,TE中含有n-1条边,T=(V,{TE})为N的最小生成树。

普里姆算法是逐步向U中增加顶点的“加点法”。

注意:选择最小边时,可能有多条同样权值的边可供选择,此时任选其一。

为实现该算法需设一辅助数组closedge[N],记录从V-U到U具有最小代价的边。对每个顶点v∈V-U,其对应的辅助数组元素closedge[v] 包括adjvex和lowcost两个域,其中lowcost为该顶点至U的最短边权值,即closedge[v].lowcost=Min({cost(u,v) | u∈U}) adjvex为该最短边在U中所依附的顶点。

/*prim算法(加点法)*/
struct {
    int adjvex;
    int lowcost;
} closedge[MAX_VERTEX_NUM];    /*求最小生成树时的辅助数组*/

MiniSpanTree_Prim(AdjMartrix gn, int u) {
/*从顶点u出发,按prim算法构造连通网gn的最小生成树,并输出生成时的每条边*/
    closedge[u].lowcost = 0;     /*初始化*, U = {u}*/
    for(i = 0; i < gn.vexnum; i++) {
        if(i != u) {             /*对V-U的顶点i,初始化closedge[i]*/
            closedge[i].adjvex = u;
            closedge[i].lowcost = gn.arcs[u][i].adj;    
        }
    }
    for(e = 1; e < gn.vexnum - 1; e++) {    /*找n-1条边*/
        v = Mimium(closedge);     /*closedge中存有当前最小边(u,v)的信息*/
        printf(u, v);     /*输出生成树的当前最小边(u,v)*/
        closedge[v].lowcost = 0;     /*将顶点v纳入U集合*/
        for(i = 0; i < gn.vexnum; i++) {     /*顶点v纳入U集合后,更新closedge[i]*/
            if(gn.arcs[v][i].adj < closedge[i].lowcost) {
                closedge[i].lowcost = gn.arcs[v][i].adj;
                closedge[i].adj = v;
            }
        }
    }   
}

1.克鲁斯卡尔算法——”加边法”。

(1)将n个顶点构成n个集合;
(2)按权值由小到大的顺序选择边,选择两个邻接顶点不在同一顶点集合内的边,将该边放入生成树的边集合中。同时将该边关联的两个顶点所在的顶点集合合并;
(3)重复(2),直到所有顶点均在同一顶点集合内。

克鲁斯卡尔算法逐步增加生成树所包含的边–“加边法”。

/*kruskal算法(加边法)*/
typedef struct {
    VertexType vex1;    //顶点元素
    VertexType vex2;
    VrType weight;
} EdgeType;
typedef sturct {     //有向网的定义
    VertexType vex[MAX_VERTEX_NUM];    //顶点信息
    EdgeType edge[MAX_VERTEX_NUM];     //边的信息
    int vexnum,arcnum;
} ELGraph
/*kruskal算法伪代码*/
void MiniSpanTree_Kruskal(ELgraph G, SqList &MSTree) {
/*G.edge中依权值大小存放有向网各边
按Kruskal算法求得生成树的边放在顺序表MSTree中*/
    MFSet F;
    InitSet(F, G.vexnum);     //将森林F初始化为n棵树的集合
    InitList(MSTree, G.vexnum);     //初始化为空树
    i = 0; k = 1;             //i表示边编号,k为查找边的循环控制变量
    while(k < G.vexnum) {
        e = G.edge[i];        //q取第i条权值最小的边
        //返回两个顶点所在的根
        r1 = SearchMFSet(F, LocateVex(e.vex1));
        r2 = SearchMFSet(F, LocateVex(e.vex2));
        if(r1 != r2) {     //选定生成树上第k条边
            ListInsert(MSTree, k, e);     //插入生成树中
            CombineMFSet(F, r1, r2);      //两棵树归并成一棵
            k++;
        }
    }
    DestroySet(F);
}


知乎:Solo | 微博@从流域到海域

### 普里算法克鲁斯卡尔算法对比 #### 算法原理差异 普里算法的核心在于每一步都形成一棵树。这意味着在整个执行过程中,所选边总是会将新的顶点加入到现有的单棵树结构中[^1]。与此不同的是,克鲁斯卡尔算法在处理图的过程中可能会暂时创建多棵独立的小树(即森林),直到最终这些小树通过合适的边相互连接成为完整的最小生成树。 #### 数据结构需求 对于普里算法而言,通常采用优先队列来高效选取下一个要添加至当前树中的节点;而对于克鲁斯卡尔算法,则更倾向于利用查集数据结构来进行高效的连通性检测以及循环预防操作。 #### 时间复杂度分析 两种算法的时间性能取决于具体实现方式及其适用条件。当面对稠密图时,由于每次迭代都需要更新大量候选边的信息,因此基于斐波那契堆优化后的普里算法能够展现出较好的效率表现。然而,在稀疏图场景下,如果可以预先对所有边按权重排序的话,那么克鲁斯卡尔算法则能凭借其简单的贪心策略获得更快的速度优势。 #### 应用场景举例 - **网络设计问题**:假设某公司计划铺设光纤通信线路覆盖全国主要城市,希望总成本最低。此时可考虑使用普里算法从任一选定起点出发逐步扩展最优路径直至遍历全部目标地点。 - **电路板布线规划**:电子设备内部PCB布局往往涉及众多元件间的电气连接关系。为了确保信号传输质量同时减少材料消耗,工程师们可以选择应用克鲁斯卡尔算法寻找全局范围内代价最少的一组导线配置方案。 ```python def prim_mst(graph): import heapq mst = [] visited = set() start_vertex = list(graph.keys())[0] edges = [(weight, start_vertex, neighbor) for neighbor, weight in graph[start_vertex].items()] heapq.heapify(edges) while edges: weight, u, v = heapq.heappop(edges) if v not in visited: visited.add(v) mst.append((u, v, weight)) for next_node, w in graph[v].items(): if next_node not in visited: heapq.heappush(edges, (w, v, next_node)) return mst def kruskal_mst(edges, num_vertices): parent = {i: i for i in range(num_vertices)} rank = dict.fromkeys(range(num_vertices), 0) result = [] def find(node): if parent[node] != node: parent[node] = find(parent[node]) return parent[node] def union(x, y): rootX = find(x) rootY = find(y) if rootX != rootY: if rank[rootX] > rank[rootY]: parent[rootY] = rootX elif rank[rootX] < rank[rootY]: parent[rootX] = rootY else: parent[rootY] = rootX rank[rootX] += 1 sorted_edges = sorted(edges, key=lambda item:item[2]) for edge in sorted_edges: u, v, weight = edge if find(u) != find(v): result.append(edge) union(u,v) return result ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值