图论基础与存储结构：邻接矩阵与邻接表详解

1. 图论基础概念与核心价值

图论作为离散数学的重要分支，在计算机科学领域有着举足轻重的地位。我第一次接触图论是在解决一个社交网络好友推荐问题时，当时就被这种用点和线就能描述复杂关系的简洁美所震撼。图结构能够直观地表示各类实体间的关联，从社交网络的好友关系到城市间的交通路线，从编译器中的依赖关系到互联网的网页链接，无不体现着图的应用价值。

图的数学定义为G=(V,E)，其中V是顶点集合，E是边集合。根据边的方向性可分为有向图和无向图；根据边是否带权重可分为加权图和非加权图。实际应用中，我们还会遇到一些特殊图类型：

• 完全图：每对顶点之间都有边连接
• 连通图：任意两个顶点间都存在路径
• 稀疏图/稠密图：根据边数与顶点数的比例划分
• 二分图：顶点可分为两个互不相交的集合

提示：初学者常混淆"路径"和"边"的概念。路径是由边连接的顶点序列，而边仅表示两个顶点的直接连接。比如A-B-C是一条包含两条边的路径。

2. 图的存储结构深度解析

2.1 邻接矩阵实现与特性

邻接矩阵是我最早掌握的图存储方式，它用二维数组直观地表示顶点间的连接关系。对于n个顶点的图，我们创建一个n×n的矩阵，matrix[i][j]的值表示顶点i到j的边信息（1/0表示是否存在，或存储权重值）。

c复制#define MAX_VERTEX 100
int adjMatrix[MAX_VERTEX][MAX_VERTEX];

void addEdge(int from, int to, int weight) {
    adjMatrix[from][to] = weight;
    // 若是无向图还需对称赋值
    adjMatrix[to][from] = weight;
}

邻接矩阵的优势在于：

• 随机访问速度快：判断两点是否相邻只需O(1)时间
• 适合稠密图：空间利用率高
• 方便计算：某些图算法（如Floyd-Warshall）需要矩阵运算

但我在实际项目中发现它的明显缺陷：

• 空间复杂度O(V²)对稀疏图极其浪费
• 动态添加顶点困难（需要重新分配内存）
• 遍历邻居时需要扫描整行，即使邻居很少

2.2 邻接表实现与优化

为解决邻接矩阵的空间浪费问题，邻接表应运而生。它使用链表存储每个顶点的邻居，空间复杂度降至O(V+E)。下面是C++实现示例：

cpp复制#include <vector>
#include <list>
using namespace std;

class Graph {
private:
    int V; // 顶点数
    vector<list<pair<int, int>>> adj; // 邻接表(目标顶点, 权重)
    
public:
    Graph(int V) : V(V), adj(V) {}
    
    void addEdge(int u, int v, int weight) {
        adj[u].emplace_back(v, weight);
        // 无向图需双向添加
        adj[v].emplace_back(u, weight);
    }
};

在实际编码中，我总结了几点优化经验：

1. 使用vector代替原生数组便于动态扩展
2. pair存储邻居和权重，避免额外结构体
3. 对于确定无权的图，可简化为vector<list>
4. C++中优先选用emplace_back减少临时对象创建

邻接表的优势在遍历操作中尤为明显。以广度优先搜索(BFS)为例：

python复制def bfs(graph, start):
    visited = [False] * len(