- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
图遍历算法的应用
1.判断图的连通性 图的遍历算法可以用来判断图的连通性。如果一个无向图是联通的，如果无向图是联通的，则从任一节点出发，仅需一次遍历就可以访问图中的所有节点。 如果无向图是非联通的，则从某一节点出发，一次遍历仅能访问到该顶点所在联通分量的所有顶点，而对于图中其他联通分量的顶点，则无法通过这次遍历访问。 对于有向图来说，若从初始点到图中的每个顶点都有路径，则能够访问到图中的所有顶点，否则不能访问到所有顶点。
90610编辑于 2022-08-19 - 来自专栏全栈程序员必看
算法导论——lec 10 图的基本算法及应用
搜索一个图是有序地沿着图的边訪问全部定点， 图的搜索算法能够使我们发现非常多图的结构信息， 图的搜索技术是图算法邻域的核心。 a、 在无向图的有些应用中。为了节省存储空间能够仅仅存储上三角或者下三角矩阵。 b、 边的权重能够用矩阵元素存储； c、 对于非加权图用一个二进制位来表示是否有边能够节省存储空间。 二、 广度优先的图搜索算法 给定一个图G=(V, E)和源点s， 广度优先搜索算法系统地探寻G全部的边。从而发现从s可达的全部 的顶点。并计算s到全部这些顶点的距离（最少边数）。 该算法同一时候生成一棵根为s且包括全部可达顶点的广度优先树。 对于从s出发的随意节点。广度优先树中从s到v的路径相应G中从s到v的最短路径。算法对有向图和无向图都相同有效。 那么Gpi是一棵广度优先树，且| Epi | = | Vpi | – 1 定理： 假设DFS应用于一个有向图或无向图，该过程同一时候建立的pi域满足条件：其前驱子图 Gpi = {Vpi， Epi}是一棵广度优先树
64220编辑于 2022-07-08 - 来自专栏开发经验
探索图结构：从基础到算法应用
文章目录 理解图的基本概念 学习图的遍历算法 学习最短路径算法 案例分析：使用 Dijkstra 算法找出最短路径 结论 欢迎来到数据结构学习专栏~探索图结构：从基础到算法应用 ☆* o(≧▽≦) ❤️ 图结构是计算机科学中的一项重要内容，它能够模拟各种实际问题，并在网络、社交媒体、地图等领域中具有广泛的应用。本文将引导你深入了解图的基本概念、遍历算法以及最短路径算法的实际应用。 学习图的遍历算法 深度优先搜索（DFS）： DFS 是一种遍历图的算法，它从一个起始顶点开始，递归地访问相邻顶点，直到无法继续为止。DFS 的应用包括查找连通分量、拓扑排序等。 广度优先搜索（BFS）： BFS 也是一种遍历图的算法，它从起始顶点开始，逐层访问其邻居顶点。BFS 的应用包括查找最短路径、社交网络中的“六度分隔”等。 Dijkstra 算法的应用包括路由算法、地图导航等。
43710编辑于 2023-12-13 - 来自专栏运维开发王义杰
Go语言中图算法的应用实践
图算法是解决许多实际问题的关键，包括路由寻找、社交网络分析等。在Go语言中，我们可以利用其强大的类型系统和并发模型来实现和优化图算法。 1. 图的创建与遍历 在Go中，我们首先需要创建图的数据结构。 通常，我们会定义节点（Node）和图（Graph）的结构，并实现基本的图遍历算法，如深度优先搜索（DFS）和广度优先搜索（BFS）。 最短路径问题 Dijkstra算法和Floyd-Warshall算法是解决最短路径问题的常用算法。通过实现这些算法，我们可以找到图中两点之间的最短路径。 算法实现 return maxFlow } 通过在Go中实现这些图算法，我们可以解决许多实际问题，并充分利用Go的高效和并发优势来优化算法性能。 不仅如此，Go语言的简洁和易读性也使得代码易于维护和理解，为复杂的图算法提供了良好的实现基础。
38910编辑于 2023-10-23 - 来自专栏大前端（横向跨端 & 纵向全栈）
数据结构与算法－图的应用
生成树的定义 设连通图G=(V,E)，从任一顶点遍历，则图中边分成两部分：E(G) = T(G)+ B(G)，T(G)为遍历通过的边，B(G)为遍历时未通过的边，G’(V，T)为G的子图，称之为G的一棵生成树 图的生成树不是唯一的。 2. 生成树G’是图G的极小连通子图。即V(G)=V(G’)，G’是连通的，且在G的所有连通子图中边数最少（n个顶点，n-1条 边）。 最小生成树 1. 最小生成树定义 给定一个带权图，构造带权图的一棵生成树， 使树中所有边的权总和为最小。 3. 最小生成树的构造算法 Prim 算法 和 Kruskal 算法。
54720发布于 2020-11-26 - 来自专栏DataFunTalk
图算法在风控场景的应用
导读：本文将分享图算法在风控中的应用。 什么是图算法——图论算法图算法最早来源于图论和组合优化相关算法，在风控里面应用比较多的基本上都是传统的图算法或比较偏数学理论的算法，如最短路径发现，不同的账号和交易之间存在异常的最短路径，某些账号或设备存在异常的关联 什么是图算法——图机器学习早期业内是直接应用这套传统图算法到风控中，随着技术的发展，图机器学习也开始应用在风控中。 有别于传统的图算法的自定义 Aggregate 和 Message Passing，随着图神经网络的发展，也越来越多的应用到风控场景。3. 应用算法和系统算法上下融合贯通和统筹在建设图计算平台的时候，要真的懂业务和应用算法，实际用户也要懂系统算法层面，整体上需要上下打通和统筹。
1.8K10编辑于 2022-12-16 - 来自专栏NebulaGraph 技术文章
图算法、图数据库在风控场景的应用
导读：本文将分享图算法在风控中的应用。 今天的介绍会围绕下面四点展开： 图算法和风控简介 图算法在风控的演化 相应平台的心得 展望未来 分享嘉宾｜汪浩然，互联网行业资深风控和图计算专家。 图算法和风控简介 什么是图算法——图论算法 图片 图算法最早来源于图论和组合优化相关算法，在风控里面应用比较多的基本上都是传统的图算法或比较偏数学理论的算法，如最短路径发现，不同的账号和交易之间存在异常的最短路径 什么是图算法——图机器学习 图片 早期业内是直接应用这套传统图算法到风控中，随着技术的发展，图机器学习也开始应用在风控中。 有别于传统的图算法的自定义 Aggregate 和 Message Passing，随着图神经网络的发展，也越来越多的应用到风控场景。 应用算法和系统算法上下融合贯通和统筹 在建设图计算平台的时候，要真的懂业务和应用算法，实际用户也要懂系统算法层面，整体上需要上下打通和统筹。
1.5K20编辑于 2022-12-22 - 来自专栏腾讯技术工程官方号的专栏
腾讯高性能图计算框架Plato及其算法应用
Plato 算法应用 Plato 目前已支持节点中心性指标、连通图、社团发现、图表示学习等多种图算法，本次将重点介绍基于 Plato 的社团发现算法。 如何从一个给定的社交网络还原现实生活中的圈子，在社交推荐、社交营销等领域有着非常广泛的应用。 基于模块度增益的凝聚算法 针对分裂算法无法应用于大规模网络以及无法识别小规模社团的缺点，提出了一种能够侦测到层次化社团结构的凝聚算法[2]（Fast Unfolding 算法）：首先把每个节点分别看作一个社团 社团发现算法基于 Plato 的高性能实现 业界实现方案 在图计算发展的近些年来，涌现出许多优秀的图计算框架。 图6：不同计算模式下LPA算法执行示意图 社团识别算法的计算模式多种多样，对于 LPA 和 HANP 等算法，已有计算模式存在很大的性能问题，图 6 以 Gemini 系统为例来详细介绍： Dense
4.1K10发布于 2020-03-19 - 来自专栏【全栈开发之路】
【JavaScript 算法】拓扑排序：有向无环图的应用
拓扑排序在许多实际应用中都有重要作用，如任务调度、课程安排、编译依赖等。本文将详细介绍拓扑排序的原理、实现及其应用。 常用的两种实现拓扑排序的方法是Kahn算法和深度优先搜索（DFS）。 二、算法实现 方法一：Kahn算法 Kahn算法利用队列实现拓扑排序，通过不断删除入度为0的节点来构建拓扑序列。 /** * Kahn算法实现拓扑排序 * @param {Object} graph - 图的邻接表表示 * @return {string[]} - 拓扑排序结果 */ function kahnTopologicalSort 三、应用场景 任务调度：根据任务之间的依赖关系，确定任务的执行顺序。 课程安排：根据课程的先修关系，确定课程的学习顺序。 编译依赖：根据文件的依赖关系，确定编译的顺序。 四、总结 拓扑排序是一种用于有向无环图（DAG）的线性排序方法，通过Kahn算法和DFS方法可以实现拓扑排序，广泛应用于任务调度、课程安排、编译依赖和数据处理等场景。
1.1K10编辑于 2024-07-20 - 来自专栏数据派THU
【经典书】图数据挖掘算法，安全性及应用
图数据非常强大，因为它能够为对象之间的任意关系建模，并在生物信息学、交通网络、科学协作、万维网和社交网络等领域的一系列现实世界应用中遇到它。图数据挖掘用于从图数据中发现有用的信息和知识。 此外，还向读者介绍了图增广和子图网络，以进一步增强模型，即提高模型的准确性和鲁棒性。最后，本书描述了这些先进技术在各种场景中的应用，如交通网络、社交和技术网络和区块链。 在行业中，许多著名的搜索引擎和推荐系统本质上都是根据节点在相应网络中的结构重要性对节点进行排序，例如著名的PageRank[4]和协同过滤算法[5]。 最近，图嵌入技术被提出，如deepwalk[9]和node2vec[10]，在网络空间和欧几里得空间之间架起桥梁 ;因此，可以采用机器学习算法来自动分析图。 特别地，前三章介绍了最先进的图数据挖掘算法，包括节点分类、链接预测和图分类，然后一章介绍了图增强，以进一步增强现有的图数据挖掘算法。
81550编辑于 2022-08-29 - 来自专栏工科狗和生物喵
【图】Dijkstra算法
正文之前 好久没弄C++了，上学期颓废了半学期，这学期开学就搞课程设计快疯了。待会要考试CSP，所以弄点代码储备，待会到了考场说不定能省点功夫！ 正文 #include<iostream> usin
1.4K30发布于 2018-07-24 - 来自专栏rikka
图的应用
最小生成树 生成树回 生成树：所有顶点均由边连接在一起，但不存在回路的 图 一个图可以有多个不同的生成树 所有的生成树具有以下的共同特点: 生成树的顶点个数与图的顶点个数相同 生成图是图的极小连通子图， Kruskal 算法 思想: 贪心. 一开始最小生成树的状态为 n 个顶点而无边的非连通图 T=(V,{}), 每个顶点自成一个连通分量. 两个算法的比较: 算法 Prim kruskal 思想 选择点 选择边 复杂度 $O(n^2)$ $O(e\log_2e)$ 适用范围 稠密图 稀疏图 最短路径 典型应用: 交通网络问题: 顶点:地点 Dijkstra 算法—单源最短路径 image.png Floyd 算法—所有顶点间的最短路径 求所有顶点间的最短路径： 以每一个顶点为源点，重复执行 Dijkstra 算法 n 次 O(n^3) 对应的有向图: AOE 网络应用: 估计工程总共需要的时间 为缩短工程所需时间, 应该加快哪些活动?
90330编辑于 2022-03-21 - 来自专栏技术博客感悟
图及其应用
第1关：创建采用邻接表存储的无向图 任务描述 本关任务：创建邻接表存储的无向图，并输出图的邻接表。 相关知识 为了完成本关任务，你需要掌握：1.邻接表，2.图的邻接表存储表示。 图的邻接表存储表示 #define MAXVEX 20 /*最大顶点数*/ typedef enum{DG,DN,UDG,UDN} GraphKind; /*有向图，有向网，无向图，无向网*/ typedef 输入输出说明： 第一行输入图的类型、图的顶点数和边数。图的类型包括：DG（有向图）,DN（有向网）,UDG（无向图）,UDN（无向网），分别用0-3表示。 如创建图G2，则 测试输入: 2 5 6 //图的类型为2表示UDG，图的顶点数为5，图的边数为6 0 1 0 3 1 2 1 4 2 3 2 4 //输入各条边的两顶点的编号，按顶点编号从小到大的顺序输入 任务描述 本关任务：图的深度优先遍历。
95120编辑于 2022-11-21 - 来自专栏秘籍酷
算法（各种排序算法，有图！）
用 Objective-C 实现几种基本的排序算法，并把排序的过程图形化显示。其实算法还是挺有趣的 ^ ^. 选择排序 冒泡排序 插入排序 快速排序 选择排序 以升序为例。 因我们不讨论三向切分的快排优化算法，所以这里答案是：不理它。 随着一趟一趟的排序，它们会慢慢被更小的元素往后挤，被更大的元素往前挤，最后的结果就是它们都会和枢轴一起移到了中间位置。 结果很明显，当某个算法所需要进行的比较操作越少时，它排序就会越快(根据上面四张图的比较，毫无疑问快排所进行的比较操作是最少啦~)。 那么如何模拟出比较操作的耗时时间呢？
1.5K30发布于 2019-08-08 - 来自专栏算法channel
图算法|Dijkstra算法python实现
01 — Dijkstra算法的理论部分 关于Dijkstra算法的原理部分，请参考之前的推送： 图算法|Dijkstra最短路径算法 Dijkstra算法总结如下： 1. 此算法是计算从入度为0的起始点开始的单源最短路径算法，它能计算从源点到图中任何一点的最短路径，假定起始点为A 2.
3.6K60发布于 2018-04-02 - 来自专栏机器之心
图论与图学习（二）：图算法
本文是其中第二篇，介绍了图算法。 前一篇文章介绍了图的主要种类以及描述一个图的基本特性。现在我们更加详细地介绍图分析/算法以及分析图的不同方式。 为了理解上下文，这里给出一些图算法的用例： 实时欺诈检测 实时推荐 精简法规遵从性 复杂网络的管理和监控 身份和访问管理 社交应用/功能 … 目前大多数框架（比如 Python 的 networkx 或 一 寻路和图搜索算法 寻路算法是通过最小化跳（hop）的数量来寻找两个节点之间的最短路径。 搜索算法不是给出最短路径，而是根据图的相邻情况或深度来探索图。这可用于信息检索。 1. 在应用分层聚类之前，我们需要定义每个节点之间的距离矩阵。
4.4K22发布于 2019-08-06 - 来自专栏菜鸟学数据分析之R语言
gcRMA算法-聚类分析图PCA图
) > library(affycoretools) > data("CLLbatch") > data("disease") > CLLgcrma<-gcrma(CLLbatch) #使用gcrma算法预处理数据 通过采用两个主成分构建分类图，可以看出稳定组（矩形）和恶化组（菱形）根本不能很好分开，在主成分分析时，考虑两个组成分的代表性以及累计贡献率，若低于60%，需要采用多维尺度分析
1.4K40发布于 2020-08-06 - 来自专栏mathor
图的常见算法
图的表示方式 图是由一系列点和边的集合构成的，一般有邻接矩阵和邻接表两种表示方式，c/c++可以看我的这篇文章：搜索(1) 这篇文章主要讲java语言中图的相关算法。 图的拓扑排序以下图来举例，假设你要学课程A，但是课程A有先导课，必须上完先导课才能上A，因此你必须先上BCD，但是由于BD也有先导课K，所以必须先上K。 图的最小生成树算法用于无向图，只选择图中的某些边，达到整体边的权重加起来是最小的，并且各个点之间是连通的，连通的意思是假设[1,2]之间有条边，[2,3]之间有条边，那么[1,3]之间就是连通的，图的最小生成树算法有两个 ，分别是K算法和P算法，他俩产生的结果都是一样的，只不过决策的过程不一样。 K算法 ? 以上面的图为例，K算法的思想是以边进行考虑，优先选择小权重的边。
1.6K20发布于 2018-08-17 - 来自专栏软件开发 -- 分享 互助 成长
图的遍历算法
前言：学习图的遍历算法之前，需要先了解一下图的存储方式(这里只以无向图作为讨论了)。
1.3K70发布于 2018-02-05 - 来自专栏算法channel
图算法|Dijkstra最短路径算法
比如，从A到D的最短路径，通过肉眼观察可以得出为如下，A->C->D，距离等于3+3=6，其中A->C边上的数值3称为权重，又知这是无向图，从C到A的权重也为3。 ? 02 — Dijkstra算法求单源最短路径 这个算法首先设置了两个集合，S集合和V集合。S集合初始只有源顶点即顶点A，V集合初始为除了源顶点以外的其他所有顶点，如下图所示： ? 设置一个从A到各顶点的缓存字典，作为算法的输出，初始时，统一设置为 -1， ? 选取最小距离，即B进入S集合，并且，Dijkstra算法要和dist字典中A->B 距离做一次比较， 如果dist(A->B)! 以上分析就是Dijkstra算法的基本思想，直到集合V的元素个数为0为止，最终的dist字典如下： ? 03 — Dijkstra算法总结 算法的基本思路： 1. 初始化两个集合，S集合和V集合。
7.2K50发布于 2018-04-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号