Algorithm 检查边是否存在于无向图中的好方法
我使用的是邻接列表表示法 基本上Algorithm 检查边是否存在于无向图中的好方法,algorithm,data-structures,Algorithm,Data Structures,我使用的是邻接列表表示法 基本上 A:[B,C,D] means A is connected to B,C and D 现在，我尝试添加一个方法（在python中）来在图形中添加边 但在我添加边缘之前。我想检查两条边是否连接。 例如，我想在两个节点D和A之间添加一条边（不知道A和D是连接的） 因此，由于哈希/字典中没有键“D”，它将返回false 现在，非常天真地，我可以检查D和A，然后A和D。。但那是非常糟糕的。 或者，无论何时连接两个节点，我都可以复制 即连接A和e时。。A:[
A:[B,C,D] means A is connected to B,C and D
我希望我的问题有意义。对于无向图，可以使用一个简单的边列表，其中存储所有边对。这将节省空间并降低性能，但您应该知道，您不能同时拥有这两者，因此您必须始终做出权衡 否则，您可以使用三角形邻接矩阵，但为了避免浪费一半的空间，您必须以特定的方式存储它（通过开发一种在不浪费空间的情况下检索边存在的有效方法）。你确信这是值得的，而且不仅仅是过早的优化吗 邻接列表基本上是很好的，即使你必须存储每个无向边两次，你的图有多大
看看我的答案：，这样你就可以选择你喜欢哪一个。对于无向图，你可以使用一个简单的边列表，在其中存储所有的边对。这将节省空间并降低性能，但您应该知道，您不能同时拥有这两者，因此您必须始终做出权衡 否则，您可以使用三角形邻接矩阵，但为了避免浪费一半的空间，您必须以特定的方式存储它（通过开发一种在不浪费空间的情况下检索边存在的有效方法）。你确信这是值得的，而且不仅仅是过早的优化吗 邻接列表基本上是很好的，即使你必须存储每个无向边两次，你的图有多大
看看我的答案：，这样你就可以选择你喜欢哪一个。你遇到了一个经典的空间与时间的权衡 正如您所说，如果您没有找到D->A，您可以搜索A->D。这将导致执行时间最多加倍。或者，在插入A->D时，也可以创建D->A，但这需要额外的空间
在最坏的情况下，为了权衡时间，您将进行2次查找，这仍然是O（N）（数据结构越好，查找速度越快）。对于空间权衡，您将（在最坏的情况下）在每组节点之间创建一个链路，大约为O（N^2）。因此，我只需要进行两次查找。您遇到了一个经典的空间与时间权衡 正如您所说，如果您没有找到D->A，您可以搜索A->D。这将导致执行时间最多加倍。或者，在插入A->D时，也可以创建D->A，但这需要额外的空间
在最坏的情况下，为了权衡时间，您将进行2次查找，这仍然是O（N）（数据结构越好，查找速度越快）。对于空间权衡，您将（在最坏的情况下）在每组节点之间创建一个链路，大约为O（N^2）。因此，我只需要进行两次查找。假设每个
contains（）contains（）但是，bloom过滤器有误报-因此，如果bloom过滤器说“边缘存在”-您必须检查列表是否确实存在
注:
（1） 如果使用bloom过滤器，则删除边缘将是一个问题。
（2） Bloom过滤器为您提供了很好的时间/空间权衡-随着过滤器大小的增加，误报的数量会减少。
（3） 然而，当一条边确实存在时-无论过滤器的大小如何，您都必须使用
contains（）contains（）contains（）但是，bloom过滤器有误报-因此，如果bloom过滤器说“边缘存在”-您必须检查列表是否确实存在
注:
（1） 如果使用bloom过滤器，则删除边缘将是一个问题。
（2） Bloom过滤器为您提供了很好的时间/空间权衡-随着过滤器大小的增加，误报的数量会减少。
（3） 但是，当边确实存在时—无论过滤器的大小如何，您都必须使用
contains（）