【图论入门】从握手定理到二分图：掌握图的基本术语与特殊结构

1. 图论基础：从社交网络到握手定理

第一次接触图论时，我被那些看似复杂的术语吓到了。直到有一天，我把微信好友关系画在纸上——每个人是一个点，每对好友之间画一条线。突然发现，这不就是图论研究的"图"吗？这种直观的理解方式让我瞬间开窍。

在无向图中，度(degree)是最基础也最重要的概念之一。它表示一个顶点连接的边数，就像统计微信好友数量。举个例子，如果你的微信有150个好友，那么在图论中你的"度"就是150。那些没有好友的账号就是孤立点(度为零)，而只有一个好友的账号称为悬挂点。

邻接(adjacent)描述的是顶点之间的关系。如果两个人是微信好友，他们的顶点就是邻接的。所有与某个顶点邻接的顶点集合称为它的邻居(neighborhood)。比如你微信中所有好友的集合就是你的邻居。

这里有个有趣的现象：把图中所有顶点的度数加起来，总会得到边数的两倍。这就是著名的握手定理。想象一个聚会，每个人握手次数的总和必然是实际握手次数的两倍（因为每次握手涉及两个人）。这个定理虽然简单，却是图论中许多重要结论的基础。

python复制# 计算图中所有顶点的度数之和
def sum_of_degrees(graph):
    return sum(len(adj_list) for adj_list in graph.values())

# 示例：一个简单的社交网络图
social_network = {
    'Alice': ['Bob', 'Charlie'],
    'Bob': ['Alice', 'Charlie', 'David'],
    'Charlie': ['Alice', 'Bob'],
    'David': ['Bob']
}
print(sum_of_degrees(social_network))  # 输出：8 (2+3+2+1)

握手定理还有个重要推论：任何图中，度为奇数的顶点一定有偶数个。这就像聚会上，握手次数为奇数的人必定是偶数个。这个性质在网络分析和算法设计中经常用到。

2. 有向图：微博关注与度数的细分

微博的关注关系就是典型的有向图——我关注你，但你不一定关注我。这种情况下，度的概念需要更精细的划分。入度(in-degree)表示有多少人关注你（粉丝数），出度(out-degree)表示你关注了多少人（关注数）。

有向图中也有类似握手定理的规律：所有顶点的入度之和等于出度之和，且都等于图中的边数。这很好理解，因为每条有向边都会贡献一个出度（对起点）和一个入度（对终点）。

python复制# 计算有向图的入度和出度
def calculate_degrees(digraph):
    in_degree = {v: 0 for v in digraph}
    out_degree = {v: 0 for v in digraph}
    
    for u in digraph:
        out_degree[u] = len(digraph[u])
        for v in digraph[u]:
            in_degree[v] += 1
            
    return in_degree, out_degree

# 示例：微博关注关系
weibo_follow = {
    '大V': ['粉丝A', '粉丝B'],
    '粉丝A': ['大V'],
    '粉丝B': [],
    '路人C': ['大V', '粉丝A']
}
in_d, out_d = calculate_degrees(weibo_follow)
print(in_d)   # 输出各用户的粉丝数
print(out_d)  # 输出各用户的关注数

实际应用中，我们经常需要将有向图转换为基本无向图——即忽略边的方向。这在社交网络分析中很常见，比如把双向关注的关系视为"好友"关系。但要注意，这种转换会丢失原始有向图中的一些重要信息。

3. 特殊图家族：完全图、圈图与轮图

图论中有几个重要的"家族"，它们在算法设计和问题建模中经常出现。第一个是完全图(complete graph)Kₙ，其中每对不同的顶点之间都有一条边相连。就像微信群里每个人都互相加了好友，这样的图边数很多，共有n(n-1)/2条边。

圈图(cycle graph)Cₙ像是围成一个圈的n个人，每人只与左右邻居相连。它的边数正好是n，形成了一个闭合环。在计算机网络中，这种拓扑结构很常见，但有个致命缺点：任何一条边断开都会导致网络分裂。

更有意思的是轮图(wheel graph)Wₙ，它在圈图Cₙ的基础上加了一个"中心"顶点，并与所有外围顶点相连。就像自行车轮子，中心是轮毂，外围是轮圈。Wₙ的边数是2(n-1)，这种结构在数据中心网络设计中很有用，因为它比圈图更可靠。

python复制# 生成轮图Wₙ的邻接表表示
def wheel_graph(n):
    graph = {i: [] for i in range(n+1)}  # 0是中心，1-n是外围
    
    # 连接外围顶点形成圈
    for i in range(1, n+1):
        next_v = i+1 if i < n else 1
        graph[i].append(next_v)
        graph[next_v].append(i)
        
    # 连接中心与所有外围顶点
    for i in range(1, n+1):
        graph[0].append(i)
        graph[i].append(0)
        
    return graph

print(wheel_graph(5))  # 输出W₅的邻接表

n立方体图Qₙ则更加抽象，它的顶点表示所有长度为n的二进制串，两个顶点相邻当且仅当它们的二进制串恰好相差一位。这种结构在并行计算和编码理论中非常重要，因为它具有良好的对称性和容错性。

4. 二分图：从相亲关系到任务分配

二分图(bipartite graph)是最具实用价值的特殊图之一。它的顶点可以分成两个不相交的集合，使得每条边都连接两个集合中的顶点。就像相亲活动，一边是男生，一边是女生，所有配对关系都发生在男女之间。

判断一个图是否是二分图有个简单方法：双色法。尝试用两种颜色给顶点着色，要求相邻顶点颜色不同。如果能够做到，就是二分图；否则就不是。这就像给地图上的国家着色，确保相邻国家颜色不同。

python复制# 判断图是否为二分图
def is_bipartite(graph):
    color = {}
    for node in graph:
        if node not in color:
            queue = [node]
            color[node] = 0
            while queue:
                v = queue.pop(0)
                for neighbor in graph[v]:
                    if neighbor not in color:
                        color[neighbor] = color[v] ^ 1
                        queue.append(neighbor)
                    elif color[neighbor] == color[v]:
                        return False
    return True

# 示例：相亲关系图
dating_graph = {
    '男A': ['女X', '女Y'],
    '男B': ['女Y'],
    '女X': ['男A'],
    '女Y': ['男A', '男B']
}
print(is_bipartite(dating_graph))  # 输出：True

完全二分图Kₘ,ₙ是二分图中边数最多的情况，其中第一个集合的每个顶点都与第二个集合的所有顶点相连。这在任务分配问题中很常见：m个工人和n个任务，每个工人都能胜任所有任务，那么工人和任务之间的关系就构成Kₘ,ₙ。

二分图在网络流、匹配问题等领域有广泛应用。比如在线广告投放，广告主和广告位构成二分图，通过最大匹配算法可以实现收益最大化。又比如课程安排，教师和课程时间也可以建模为二分图。