最小生成树(MST)—prim和kruskal算法

来源：互联网发布：女人保养知乎编辑：程序博客网时间：2024/04/29 09:01

最小生成树(MST:minimum-cost spanning tree)

也称最小支撑树，任何只由G的边构成,并包含G的所有顶点的树称为G的生成树(G连通).加权无向图G的生成树的代价是该生成树的所有边的代码(权)的和.最小代价生成树是其所有生成树中代价最小的生成树。

实现最小生成树的算法常用的是Prim,Kruskal学校数据结构的书上讲解了这两大算法的思路及用C++实现,但关于其合理性的证明却略过去了,这里主要加上我自己的一些总结，证明一下，最后写个模版用。

Prim

基本思想:

1.在图G=(V, E)（V表示顶点，E表示边）中，从集合V中任取一个顶点（例如取顶点v0）放入集合 U中，这时 U={v0}，集合T(E)为空。
2. 从v0出发寻找与U中顶点相邻（另一顶点在V中）权值最小的边的另一顶点v1，并使v1加入U。即U={v0,v1 }，同时将该边加入集合T(E)中。
3. 重复2，直到U=V为止。
这时T(E)中有n-1条边，T = (U, T(E))就是一棵最小生成树。

用书上的图来举例...懒得画直接拍了

关键是每一步选取的边起点是已加入集合U中的点,终点是未加入集合U中的点,在所有这样的点中选取权值最小的一条,把未加入U的点加入U,这一条边加入树T上.

对于这一贪心策略的证明:

首先,一定有一个最优解包含了权值最小的边e_0（prim的第一步）,因为如果不是这样，那么最优的解不包含e_0,把e_0加进去会形成一个环,任意去掉环里比e_0权值大的一条边,这样就构造了更优的一个解,矛盾.
用归纳法,假设prim的前k步选出来的边e_0,…, e_k-1是最优解的一部分,用类似的方法证明prim的方法选出的e_k一定也能构造出最优解。

C++实现:

朴素的邻接矩阵...

[cpp] view plaincopy
int N,dis[MAX+10][MAX+10];//点的个数及每两个点之间的距离  
int prim()  
{  
    int s=1;//源点,最开始为第一个  
    int num=1;//已加入MST的点的个数,用于判断循环是否结束  
    int sum_w=0;//MST的权值和  
    int min_w;//每次加入MST的边的权值  
    int flag;//与MST中点形成符合prim规则的不在MST中的点的序号  
    int low_dis[MAX+5];//每个源点到其他味加入MST的点的最短距离  
    bool uni[MAX+5];//标记点是否已经加入MST  
    memset(uni,false;sizeof(uni));  
    memset(low_dis;INF;sizeof(low_dis));  
    uni[s]=true;  
    while(1)  
    {  
        if(num==N) break;  
        min_w=INF;  
        for(int i=2;i<=N;i++)  
        {  
            if(!uni[i]&&dis[i][s]<low_dis[i])  
                low_dis[i]=dis[i][s];  
            if(!uni[i]&&low_dis[i]<min_w)  
            {  
                min_w=low_dis[i];  
                flag=i;  
            }  
        }  
        s=flag;//更新源点  
        u[s]=true;  
        sum_w+=min_w;  
        num++;  
    }  
    return sum_w;  
}  

Nocow上的二叉堆优化(自己写的很挫,以后上)...

[cpp] view plaincopy
#include <iostream>  
using namespace std;  
const int MAXV = 10001, MAXE = 100001, INF = (~0u)>>2;  
struct edge{  
    int t, w, next;  
}es[MAXE * 2];  
int h[MAXV], cnt, n, m, heap[MAXV], size, pos[MAXV], dist[MAXV];  
void addedge(int x, int y, int z)  
{  
    es[++cnt].t = y;  
    es[cnt].next = h[x];  
    es[cnt].w = z;  
    h[x] = cnt;  
}  
void heapup(int k)  
{  
    while(k > 1){  
        if(dist[heap[k>>1]] > dist[heap[k]]){    
            swap(pos[heap[k>>1]], pos[heap[k]]);  
            swap(heap[k>>1], heap[k]);  
            k>>=1;  
        }else  
            break;  
    }  
}  
void heapdown(int k)  
{  
    while((k<<1) <= size){  
        int j;  
        if((k<<1) == size || dist[heap[(k<<1)]] < dist[heap[(k<<1)+1]])  
            j = (k<<1);  
        else  
            j = (k<<1) + 1;  
        if(dist[heap[k]] > dist[heap[j]]){  
            swap(pos[heap[k]], pos[heap[j]]);  
            swap(heap[k], heap[j]);  
            k=j;  
        }else  
            break;  
    }  
}  
void push(int v, int d)  
{  
    dist[v] = d;  
    heap[++size] = v;  
    pos[v] = size;  
    heapup(size);  
}  
int pop()  
{  
    int ret = heap[1];  
    swap(pos[heap[size]], pos[heap[1]]);  
    swap(heap[size], heap[1]);  
    size--;  
    heapdown(1);  
    return ret;  
}  
int prim()  
{  
    int mst = 0, i, p;  
    push(1, 0);  
    for(i=2; i<=n; i++)  
        push(i, INF);  
    for(i=1; i<=n; i++){  
        int t = pop();  
        mst += dist[t];  
        pos[t] = -1;  
        for(p = h[t]; p; p = es[p].next){  
            int dst = es[p].t;  
            if(pos[dst] != -1 && dist[dst] > es[p].w){  
                dist[dst] = es[p].w;  
                heapup(pos[dst]);  
                heapdown(pos[dst]);  
            }  
        }  
    }  
    return mst;  
}  
int main()  
{  
    cin>>n>>m;  
    for(int i=1; i<=m; i++){  
        int x, y, z;  
        cin>>x>>y>>z;  
        addedge(x, y, z);  
        addedge(y, x, z);  
    }  
    cout<<prim()<<endl;  
    return 0;  
}  

算法分析:

使用邻接矩阵来保存图的话，时间复杂度是O(N^2)，观察代码很容易发现，时间主要浪费在每次都要遍历所有点找一个最小距离的顶点，对于这个操作，我们很容易想到用堆来优化，使得每次可以在log级别的时间找到距离最小的点。下面的代码是一个使用二叉堆实现的堆优化Prim算法，代码使用邻接表来保存图。另外，需要说明的是，为了松弛操作的方便，堆里面保存的顶点的标号，而不是到顶点的距离，所以我们还需要维护一个映射pos[x]表示顶点x在堆里面的位置。
使用二叉堆优化Prim算法的时间复杂度为O((V + E) log(V)) = O(E log(V))，对于稀疏图相对于朴素算法的优化是巨大的，然而100行左右的二叉堆优化Prim相对于40行左右的并查集优化Kruskal，无论是在效率上，还是编程复杂度上并不具备多大的优势。另外，我们还可以用更高级的堆来进一步优化时间界，比如使用斐波那契堆优化后的时间界为O(E + V log(V))，但编程复杂度也会变得更高。

Kruskal

基本思想:

假设WN=(V,{E})是一个含有n个顶点的连通网，则按照克鲁斯卡尔算法构造最小生成树的过程为：先构造一个只含n个顶点，而边集为空的子图，若将该子图中各个顶点看成是各棵树上的根结点，则它是一个含有n棵树的一个森林。之后，从网的边集E中选取一条权值最小的边，若该条边的两个顶点分属不同的树，则将其加入子图，也就是说，将这两个顶点分别所在的两棵树合成一棵树；反之，若该条边的两个顶点已落在同一棵树上，则不可取，而应该取下一条权值最小的边再试之。依次类推，直至森林中只有一棵树，也即子图中含有n-1条边为止。

同样用书上的图...

贪心策略的证明:

如果按Kruskal算法加入的边(u,v)在某一最优解T中不包含,那么T+(u,v)一定有且只有一个环,而且至少有一条边(u'.v')的权值大于等于(u,v).删除该边后,得到新树T'=T+(u,v)-(u',v')不会比T差,所以按Kruskal算法加入的边是最优的.

C++实现:

...

0 0