【数据结构实验】图(二)将邻接矩阵存储转换为邻接表存储
文章目录
- 1. 引言
- 2. 邻接表表示图的原理
- 2.0 图的基础知识
- a. 类型
- b. 表示
- 2.1 有向权图
- 2.2 无向权图
- 2.3 无向非权图
- 2.4 有向非权图
- 3. 实验内容
- 3.1 实验题目
- (一)数据结构要求
- (二)输入要求
- (三)输出要求
- 3.2 算法实现
- 4. 实验结果
1. 引言
图是一种常见的数据结构,用于表示对象之间的关系。在图的表示方法中,邻接表是一种常用的形式,特别适用于稀疏图。
本实验将介绍如何使用邻接表表示图,并通过C语言实现图的邻接表创建。
2. 邻接表表示图的原理
2.0 图的基础知识
a. 类型
图(Graph)是由节点(Vertex)和节点之间的边(Edge)组成的一种数据结构。图可以用来表示不同对象之间的关系或连接方式。在图中,每个节点代表一个对象,而边则表示节点之间的关系或连接。根据边的性质,图可以分为有向图(Directed Graph)和无向图(Undirected Graph)两种类型。
-
有向图是指图中的边具有方向性,表示节点之间的单向关系。例如,如果节点A指向节点B的边存在,则从节点A可以到达节点B,但从节点B无法直接到达节点A。有向图中的边可以是单向的,也可以是双向的。
-
无向图是指图中的边没有方向性,表示节点之间的双向关系。无向图中的边是双向的,即从节点A可以到达节点B,同时从节点B也可以到达节点A。
b. 表示
图可以用多种方式表示,常见的有邻接矩阵(Adjacency Matrix)和邻接表(Adjacency List)两种形式。
-
邻接矩阵是一个二维数组,用于表示节点之间的连接关系。对于有向图,邻接矩阵的元素表示从一个节点到另一个节点的边的存在与否;对于无向图,邻接矩阵是对称的。
-
邻接表是一种链表数组的形式,用于表示每个节点和与之相连的边。对于每个节点,邻接表中存储了与该节点直接相连的所有节点的信息。
2.1 有向权图
有向权图(Directed Weighted Graph)是指图中的边具有方向性和权重(Weight),表示节点之间的单向关系以及边的权值。每条边都有一个与之关联的权重,用于表示节点之间的某种度量或成本。

2.2 无向权图
无向权图(Undirected Weighted Graph)是指图中的边没有方向性但具有权重,表示节点之间的双向关系以及边的权值。无向权图中的边是双向的,权重可以用于表示节点之间的某种度量或成本。

2.3 无向非权图
无向非权图(Undirected Unweighted Graph)是指图中的边没有方向性也没有权重,表示节点之间的双向关系但没有额外的权值信息。无向非权图中的边是双向的,仅表示节点之间的连接关系,不含其他度量或成本信息。

2.4 有向非权图
有向非权图(Directed Unweighted Graph)是指图中的边具有方向性但没有权重,表示节点之间的单向关系但没有额外的权值信息。有向非权图中的边可以是单向的,表示从一个节点指向另一个节点的关系,但不包含其他度量或成本信息。

3. 实验内容
3.1 实验题目
将邻接矩阵存储转换为邻接表存储
(一)数据结构要求
邻接表中的顶点表用Head 数组存储,顶点表中元素的两个域的名字分别为 VerName和 Adjacent,边结点的两个域的名字分别为 VerAdj 和 link。边链表中的边结点按照顶点序号从小到大的顺序存储。
(二)输入要求
{0,1,1,1,1,0,0},
{0,0,1,1,0,0,0},
{1,0,0,0,0,0,0},
{0,0,1,0,0,0,0},
{0,0,0,0,0,1,1},
{0,0,0,0,0,0,1},
{0,0,0,0,0,0,0}
(三)输出要求
按照顶点编号从小到大的顺序,依次输出每个顶点的边链表。形如:
“顶点 0 的边链表为:1->2->3->4->5->6->7->8”
3.2 算法实现
#include<stdio.h>
#include<stdlib.h>
#define N 7
int A[N][N]={{0,1,1,1,1,0,0},{0,0,1,1,0,0,0},{1,0,0,0,0,0,0},{0,0,1,0,0,0,0},{0,0,0,0,0,1,1},{0,0,0,0,0,0,1},{0,0,0,0,0,0,0}
};
typedef struct P{int VerAdj ;struct P *link;
}P;
typedef struct Q{int VerName;P *Adjacent;
}Q;
typedef struct{Q Head[20];
}Graph;
void Create(Graph *g)
{int i,j,n,t;for(i=0;i<N;i++){g->Head[i].VerName=i;g->Head[i].Adjacent=NULL;P *p=(P*)malloc(sizeof(P));t=0;for(j=0;j<N;j++){if(A[i][j]){if(t==0){//printf("%d&%d ",A[i][j],j);g->Head[i].Adjacent=p;p->VerAdj =j;p->link=NULL;t=1;}else{//printf("%d&%d ",A[i][j],j);P *q=(P*)malloc(sizeof(P));q->VerAdj =j;q->link=NULL;p->link=q;p=q;}}}}
}
void Output(Graph g)
{int i;for(i=0;i<N;i++){printf("顶点%d的边链表为:",i);P *p=g.Head[i].Adjacent;while(p){printf("%d",p->VerAdj );p=p->link;if(p) printf("—>");}printf("\n");}
}
int main()
{Graph g;Create(&g);Output(g);
}
4. 实验结果

相关文章:
【数据结构实验】图(二)将邻接矩阵存储转换为邻接表存储
文章目录 1. 引言2. 邻接表表示图的原理2.0 图的基础知识a. 类型b. 表示 2.1 有向权图2.2 无向权图2.3 无向非权图2.4 有向非权图 3. 实验内容3.1 实验题目(一)数据结构要求(二)输入要求(三)输出要求 3.2 算…...
【LeetCode】挑战100天 Day15(热题+面试经典150题)
【LeetCode】挑战100天 Day15(热题面试经典150题) 一、LeetCode介绍二、LeetCode 热题 HOT 100-172.1 题目2.2 题解 三、面试经典 150 题-173.1 题目3.2 题解 一、LeetCode介绍 LeetCode是一个在线编程网站,提供各种算法和数据结构的题目&…...
面试:RabbitMQ相关问题
文章目录 简单介绍RabbitMQRabbitMQ架构什么是 RabbitMQ?有什么显著的特点?RabbitMQ 有那些基本概念?RabbitMQ routing 路由模式消息怎么路由?RabbitMQ publish/subscribe 发布订阅(共享资源)能够在地理上分开的不同数据中心使用 …...
SpringMVC系列-7 @CrossOrigin注解与跨域问题
背景 前段时间帮同事分析了一个跨域问题,正好系统分析和整理一下。 1.跨域 理解同源策略是理解跨域的前提。同源策略定义如下: 在同一来源的页面和脚本之间进行数据交互时,浏览器会默认允许操作,而不会造成跨站脚本攻击&#x…...
[RK-Linux] misc分区详解
misc 其实是英文 miscellaneous 的前四个字母,杂项、混合体、大杂烩的意思。 misc 分区的概念来源于 Android 系统,Linux 系统中常用来作为系统升级时或者恢复出厂设置时使用。 misc 分区的读写:misc 分区在以下情况下会被读写。 Uboot:设备加电启动时,首先启动 Uboot,…...
用户与组管理:如何在服务器系统中管理用户和权限
你是否想过,当你登录到一个服务器系统时,你是如何被识别和授权的?你是否知道,你可以通过创建和管理用户和组来简化和优化你的系统管理工作?你是否想了解一些常用的用户和组管理命令和技巧?如果你的答案是肯…...
【负载均衡】这些内容你需要知道下
😄作者简介: 小曾同学.com,一个致力于测试开发的博主⛽️,主要职责:测试开发、CI/CD 如果文章知识点有错误的地方,还请大家指正,让我们一起学习,一起进步。 😊 座右铭:不…...
深入理解 Django 中的事务管理
概要 在数据库操作中,事务是确保数据完整性和一致性的关键机制。Django 作为一个强大的 Python Web 框架,提供了灵活而强大的事务管理功能。理解和正确使用 Django 中的事务对于开发高质量的 Web 应用至关重要。本文将深入探讨 Django 的事务管理机制&a…...
springsecurity6配置一
springsecurity6默认的过滤器是UsernamePasswordAuthenticationToken。具体操作步骤如下: 一、定义一个实体实现springsecurity的UserDetails接口 package com.school.information.core.security.entity;import com.alibaba.fastjson.annotation.JSONField; import com.scho…...
四边形不等式优化DP
目录 四边形不等式内容[HNOI2008]玩具装箱解析代码实现 参考资料 四边形不等式内容 TODO [HNOI2008]玩具装箱 解析 满足四边形不等式,决策具有单调性. 对于两个位置 i , j i, j i,j, 对应的最优决策点一定有 o p t [ i ] < o p t [ j ] opt[i] < opt[j]…...
Gin 学习笔记01-数据返回
Gin 数据返回 1、返回 string 和 json2、返回 xml 和 ymal3、返回html4、重定向 1、返回 string 和 json c.String()c.JSON() package mainimport ("github.com/gin-gonic/gin""net/http" )func getJSON(c *gin.Context) {//c.String(http.StatusOK, &qu…...
【AI考证笔记】NO.1人工智能的基础概念
目录 一、什么是智能 1.什么是智能 2.智能的种类 二、什么是人工智能 1.人工智能之父——图灵 2.人工智能的定义 三、人工智能的发展阶段 四、哪些工作要被淘汰掉? 以下部分内容来自于百度智能云人才认证培训讲义,腾讯等也有人工智能类似的讲义&…...
【Exception】npm ERR! code UNABLE_TO_GET_ISSUER_CERT_LOCALLY
Talk is cheap, show me the code. 环境 | Environment kversionOSwindows 11nodev18.14.2npm9.5.0 报错日志 | Error log >npm create vitelatest Need to install the following packages:create-vite5.0.0 Ok to proceed? (y) y npm ERR! code UNABLE_TO_GET_ISSUER_…...
持续集成交付CICD:GitLabCI 通过trigger触发流水线
目录 一、理论 1.GitLabCI 二、实验 1.搭建共享库项目 2.GitLabCI 通过trigger触发流水线 三、问题 1.项目app02未触发项目app01 2.GitLab 报502网关错误 一、理论 1.GitLabCI (1) 概念 GitLab CI(Continuous Integration)是一种持续集成工具…...
Java 多线程中的sleep()和wait()方法的区别
Java 多线程中的sleep()和wait()方法的区别 1、相同点 sleep()和wait()都可以暂停线程的执行。 2、不同点 所在类不同 sleep()是Thread类的静态方法。 wait()是Object类的方法。 锁释放不同 sleep()是不释放锁的。 wait()是释放锁的。 用途不同 sleep()常用于一定时间内暂停…...
车载以太网-数据链路层-VLAN
文章目录 车载以太网VLAN(Vehicle Ethernet VLAN)车载以太网VLAN帧格式VLAN帧报文VLAN帧报文示例车载以太网VLAN(Vehicle Ethernet VLAN) 车载以太网VLAN(Vehicle Ethernet VLAN)是一种在车辆网络中使用的虚拟局域网技术。它允许在车载以太网网络中创建多个逻辑网络,从…...
【Vue】filter的用法
上一篇: vue的指令 https://blog.csdn.net/m0_67930426/article/details/134599378?spm1001.2014.3001.5502 本篇所使用指令 v-for v-on v-html <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"&…...
python web项目导包规范
python web项目导包规范 python 内置的模块通过第三方库安装的模块框架自身提供的模块用户自己定义的模块 如: from __future__ import absolute_import, unicode_literalsfrom debug_toolbar.panels import Panelfrom django.utils.translation import ugettext_…...
AtCoder Beginner Contest 330 题解
目录 A - Counting PassesB - Minimize Abs 1C - Minimize Abs 2D - Counting LsE - Mex and Update A - Counting Passes 原题链接 题目描述 给定N个数和一个整数L,输出大于等于L的数的个数。 public static void solve() throws IOException{int n readInt(), m…...
论文速读《DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection》
概括主要内容 文章《DeepFusion: Lidar-Camera Deep Fusion for Multi-Modal 3D Object Detection》提出了两种创新技术,以改善多模态3D检测模型的性能,通过更有效地融合相机和激光雷达传感器数据来提高对象检测的准确性,尤其是在行人检测方面…...
WebSocket长连接优化:宠友IM源码中的心跳与断线重连机制
IM系统上线之后,最容易被忽略的一类问题不是发送失败,而是“看起来在线,实际上已经断了”。这种情况用户感知很直接:消息发不出去、收不到、需要反复重启应用。 宠友信息在「宠友IM」源码里,对WebSocket连接这一层做了…...
大模型能写诗却不会后悔,AGI必须具备的4种涌现性能力(附MIT 2023实证测试数据)
第一章:大模型能写诗却不会后悔,AGI必须具备的4种涌现性能力(附MIT 2023实证测试数据) 2026奇点智能技术大会(https://ml-summit.org) 当前大语言模型在文本生成、逻辑推理等任务上展现出惊人表现,但MIT认知人工智能实…...
【SketchUp 2024】从模糊到清晰:二维图像交互全流程优化与三维模型导入/导出实战解析
1. SketchUp 2024图像处理全流程优化 每次打开SketchUp准备大展拳脚时,最让人头疼的就是导入的参考图总是糊成一片。这个问题在2024版其实有更智能的解决方案。在系统设置里找到OpenGL选项时,会发现新增了"智能纹理优化"选项,这个功…...
mCaptcha性能优化技巧:应对高并发场景的10个最佳实践
mCaptcha性能优化技巧:应对高并发场景的10个最佳实践 【免费下载链接】mCaptcha A no-nonsense CAPTCHA system with seamless UX | Backend component 项目地址: https://gitcode.com/gh_mirrors/mc/mCaptcha mCaptcha是一个注重用户体验的CAPTCHA系统后端组…...
ES-Client架构解析:轻量级Elasticsearch客户端的实现原理与深度集成
ES-Client架构解析:轻量级Elasticsearch客户端的实现原理与深度集成 【免费下载链接】es-client elasticsearch客户端,issue请前往码云:https://gitee.com/qiaoshengda/es-client 项目地址: https://gitcode.com/gh_mirrors/es/es-client …...
速腾M1激光雷达实战:从环境搭建到点云可视化全流程解析
1. 环境准备:搭建ROS与速腾M1的"对话桥梁" 第一次接触速腾M1激光雷达时,我就像拿到了一部没有说明书的外星设备。经过多次实战,我发现环境配置是决定后续成败的关键。这里以Ubuntu 18.04 ROS Melodic为例(其他版本操作…...
告别双分支!用SCTNet在移动端实现高精度实时语义分割(附PyTorch推理代码)
SCTNet:移动端高精度实时语义分割的工程实践指南 在移动设备上部署实时语义分割模型一直是个棘手的平衡问题——要么牺牲精度换取速度,要么忍受延迟追求准确率。传统双分支架构如BiSeNet或RTFormer通过并行处理空间细节和语义上下文确实提升了性能&#…...
如何快速掌握Mermaid流程图绘制:5步轻松创建专业图表
如何快速掌握Mermaid流程图绘制:5步轻松创建专业图表 【免费下载链接】mermaid-live-editor Edit, preview and share mermaid charts/diagrams. New implementation of the live editor. 项目地址: https://gitcode.com/GitHub_Trending/me/mermaid-live-editor …...
从Excel思维到PySpark:用`withColumn`像写公式一样处理DataFrame(新手避坑指南)
从Excel思维到PySpark:用withColumn像写公式一样处理DataFrame(新手避坑指南) 如果你习惯用Excel或Pandas处理数据,第一次接触PySpark时可能会被它的分布式特性吓到。但别担心,withColumn这个函数能让你用熟悉的"…...
别再手动调阈值了!用GEE的OTSU算法自动提取MNDWI水体(附Sentinel-2与Landsat 8对比)
解放双手:基于GEE与OTSU算法的智能水体提取实战指南 遥感影像分析中,水体提取一直是个高频需求——无论是环境监测、灾害评估还是城市规划。传统方法依赖人工反复调整阈值,既耗时又难以保证一致性。最近在武汉梁子湖的项目里,我尝…...
