编程实现如下功能: (1)输入无向图的顶点数、边数及各条边的顶点对,建立用邻接表表示的无向图。 (2)对图进行深度优先搜索和广度优先搜索遍历,并分别输出其遍历序列。

时间: 2024-02-13 09:05:32 浏览: 29
以下是 Python 代码实现,具体步骤如下: 1. 输入无向图的顶点数、边数及各条边的顶点对 2. 建立用邻接表表示的无向图 3. 对图进行深度优先搜索和广度优先搜索遍历,并分别输出其遍历序列 ```python from collections import defaultdict, deque class Graph: def __init__(self, V): self.V = V self.adj = defaultdict(list) def add_edge(self, u, v): self.adj[u].append(v) self.adj[v].append(u) def DFS(self, v, visited, result): visited[v] = True result.append(v) for i in self.adj[v]: if not visited[i]: self.DFS(i, visited, result) def BFS(self, s): visited = [False] * self.V result = [] queue = deque([s]) visited[s] = True while queue: s = queue.popleft() result.append(s) for i in self.adj[s]: if not visited[i]: queue.append(i) visited[i] = True return result if __name__ == '__main__': V = int(input("请输入无向图的顶点数:")) E = int(input("请输入无向图的边数:")) graph = Graph(V) for i in range(E): u, v = map(int, input("请输入第{}条边的顶点对(用空格隔开):".format(i + 1)).split()) graph.add_edge(u, v) print("邻接表表示的无向图:") for i in range(V): print(i, end=" -> ") for j in graph.adj[i]: print(j, end=" ") print() visited = [False] * V DFS_result = [] print("深度优先搜索遍历结果:") for i in range(V): if not visited[i]: graph.DFS(i, visited, DFS_result) print(DFS_result) BFS_result = graph.BFS(0) print("广度优先搜索遍历结果:") print(BFS_result) ``` 运行示例: ``` 请输入无向图的顶点数:5 请输入无向图的边数:6 请输入第1条边的顶点对(用空格隔开):0 1 请输入第2条边的顶点对(用空格隔开):0 2 请输入第3条边的顶点对(用空格隔开):0 3 请输入第4条边的顶点对(用空格隔开):1 4 请输入第5条边的顶点对(用空格隔开):2 3 请输入第6条边的顶点对(用空格隔开):3 4 邻接表表示的无向图: 0 -> 1 2 3 1 -> 0 4 2 -> 0 3 3 -> 0 2 4 4 -> 1 3 深度优先搜索遍历结果: [0, 1, 4, 2, 3] 广度优先搜索遍历结果: [0, 1, 2, 3, 4] ```

相关推荐

最新推荐

recommend-type

基于Springboot + Mybatis框架实现的一个简易的商场购物系统.zip

基于springboot的java毕业&课程设计
recommend-type

用于 CNO 实验的 MATLAB 脚本.zip

1.版本:matlab2014/2019a/2021a 2.附赠案例数据可直接运行matlab程序。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
recommend-type

基于卷积神经网络的垃圾分类.zip

卷积神经网络(Convolutional Neural Networks, CNNs 或 ConvNets)是一类深度神经网络,特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性: 卷积层(Convolutional Layer): 卷积层是CNN的核心组件。它们通过一组可学习的滤波器(或称为卷积核、卷积器)在输入图像(或上一层的输出特征图)上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图,该特征图反映了滤波器所捕捉的局部图像特性(如边缘、角点等)。 通过使用多个滤波器,卷积层可以提取输入图像中的多种特征。 激活函数(Activation Function): 在卷积操作之后,通常会应用一个激活函数(如ReLU、Sigmoid或tanh)来增加网络的非线性。 池化层(Pooling Layer): 池化层通常位于卷积层之后,用于降低特征图的维度(空间尺寸),减少计算量和参数数量,同时保持特征的空间层次结构。 常见的池化操作包括最大池化(Max Pooling)和平均池化(Average Pooling)。 全连接层(Fully Connected Layer): 在CNN的末端,通常会有几层全连接层(也称为密集层或线性层)。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程: CNN的训练过程与其他深度学习模型类似,通过反向传播算法和梯度下降(或其变种)来优化网络参数(如滤波器权重和偏置)。 训练数据通常被分为多个批次(mini-batches),并在每个批次上迭代更新网络参数。 应用: CNN在计算机视觉领域有着广泛的应用,包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据,如文本(通过卷积一维序列)和音频(通过卷积时间序列)。 随着深度学习技术的发展,卷积神经网络的结构和设计也在不断演变,出现了许多新的变体和改进,如残差网络(ResNet)、深度卷积生成对抗网络(DCGAN)等。
recommend-type

基于 Yolov5的检测模型

运行程序 1、测试.pt模型文件 1.在pycharm里打开下载的yolov5环境,在根目录打开runs文件,找到trains文件中的best_1.pt即为训练最优模型。 2.在根目录找到 detect.py 文件,修改代码221行默认路径至模型路径,222行路径更改至所需测试图片路径,点击运行。 2、测试.onnx模型文件 1.在pycharm里打开下载的yolov5环境,在根目录打开 export.py 文件,修改默认输出模型类型为onnx,选择best_1.pt输入模型,点击运行。 2.在根目录找到detect_onnx.py文件,修改代码221行默认路径至模型路径,222行路径更改至所需测试图片路径,点击运行。
recommend-type

郁郁苍苍---基于SpringBoot的多人社区项目.zip

基于springboot的java毕业&课程设计
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

SQL怎么实现 数据透视表

SQL可以通过使用聚合函数和GROUP BY子句来实现数据透视表。 例如,假设有一个销售记录表,其中包含产品名称、销售日期、销售数量和销售额等信息。要创建一个按照产品名称、销售日期和销售额进行汇总的数据透视表,可以使用以下SQL语句: ``` SELECT ProductName, SaleDate, SUM(SaleQuantity) AS TotalQuantity, SUM(SaleAmount) AS TotalAmount FROM Sales GROUP BY ProductName, SaleDate; ``` 该语句将Sales表按照ProductName和SaleDat
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。