1. 图表算法
本篇随笔写的是图表算法。图表可以大致分为两种：无向图和有向图。
无向图例子：
有向图例子：
从上述例子中可以看出，一个图表是由数个顶点和边组成的。
其中，无向图的边是没方向的，即两个相连的顶点可以互相抵达。
而有向图的边是有方向的，即两个相连的顶点，根据边的方向，只能由一个顶点通向另一个顶点。（当然，如有向图例子中的2和3，由于有两个指向对方的方向，所以2和3是互通的。）
本文写的是无向图的算法，有向图的算法将写在下篇随笔中。
2. 无向图
要讨论无向图的算法前，首先要讨论如何创建一个无向图。
创建无向图有两个关键点：
a. 这个无向图有哪些点
b. 哪些点可以通往哪些点
举个例子：
显然，这个无向图有13个点。0可以通往1,2,5,6；6可以通往0,4;5可以通往0,3,4。
即0的邻居点有1,2,5,6；6的邻居点有0,4。
那么，我们怎么告诉程序这个无向图呢？
目前有两种主流的方法：邻接矩阵（Adjacency-matrix）和邻接列表（Adjacency-list）。
邻接矩阵：
如果两个点相邻，则用1表示，否则用0。例如1是0的邻居点，所以0和1相交对应的格子为1。
从这个图可以看出，如果每个点不是与大量的其它点互为邻居，则会有很多0出现。如果点的数量庞大，矩阵将十分巨大，且有很多空间浪费（0占据的格子）。
邻接列表：
就是用一个数组把所有点装起来，每个位置是由对应点的所有邻居点形成的数组。
即adj[0]=6,2,1,5(0可以通往1,2,5,6);adj[6]=0,4（6可以通往0,4）。
这个列表比较适合每个点只与少量其它点相邻的情况。
我们可以根据实际情况进行选择用列表还是矩阵。
通过创建一个矩阵或者列表，程序可以知道这个无向图有哪些点和点与点之间的联系。如果要加点或者删点，应该不难实现，这里不做详述。
接下来，我们讨论算法：深度优先搜索（depth-first search）和广度优先搜索（breadth-first search）。
3.深度优先搜索（depth-first search）
深度优先搜索可以解决的问题有：
a. 给定一个点，求所有它能抵达的所有点。
b. 给定两个点，它们是否能抵达彼此，如果能，求路线。
等等。
这个算法简单地用一句话概括就是：一路走到尽头，然后返回上一个分支，走另一条路到尽头，再返回，再走其他路，直到全部走完为止。
从例子入手：
为了方便讲解，作下图：
0~12代表着图中的所有点。
一开始所有点标记为False(F)，当我们走到某个点后，此点标记为True(T)。标记过的点不需要再走一次。
EdgeTo记录了部分路线，所有部分路线可以整合成一个完整的路线。例如从E点抵达A点，则记为EdgeTo[A]=E;
Group记录了这些点形成了多少个组，且哪些点分别属于哪些组。这样可以瞬间查到两个点是否相连。例如本例中分为3组，其中7,8属于一组；9,10,11,12属于第二组；剩下的属于第三组。
先看最大的这组：
从0开始，先把0标记了（变红）。记0为第0组。
0的邻居点有4个，随便选一条路来走。例如去2：2标记为True;2从0来，故EdgeTo[2]=0; 2与0属于同一组：0组。
然后2只有一个邻居点0，但0已标记为T,故不用走。2已经无路可走了，返回上一个分支点0。
0再选择走其它路：6。6标记为True;6从0来，故EdgeTo[6]=0; 6与0属于同一组：0组。
然后6有两个邻居点：0和4。由于0已标记为T,不走。
去4：4标记为True;4从6来，故EdgeTo[4]=6; 4与6属于同一组：0组。
然后4有三个邻居点：6,3,5。由于6已标记为T,不走。
随便选一个路走：5。5标记为True;5从4来，故EdgeTo[5]=4; 5与4属于同一组：0组。
然后5有三个邻居点：0,3,4。由于0,4已标记为T,不走。
只能走3：3标记为True;3从5来，故EdgeTo[3]=5; 3与5属于同一组：0组。
然后3有两个邻居点：5和4。由于4,5已标记为T,不走。
3无路可走，返回上一个分支5。5有三个邻居点：0,3,4。由于0,3,4已标记为T,不走。
5无路可走，返回上一个分支4。4有三个邻居点：5,3,6。由于3,5,6已标记为T,不走。
4无路可走，返回上一个分支6。6有两个邻居点：0,4。由于0,4已标记为T,不走。
6无路可走，返回上一个分支0。0有四个邻居点：5,1,2,6。由于5,2,6已标记为T,不走。
0走向1：1标记为True;1从0来，故EdgeTo[1]=0; 1与0属于同一组：0组。
1有一个邻居点：0。由于0已标记为T,不走。返回上一个分支0。
0有四个邻居点：5,1,2,6。由于5,2,6,1已标记为T,不走。
0无路可走，且无上一个分支点。查找标记为F的其它点，随便选一个来走，如7。
7标记为True;7属于组1。
然后重复上述过程，直到所有点标记为T为止。
看懂上述例子的思路，那么通用思路也是一样的。如果想查1和6是否相连，只需看它们所属组别是否相同即可。
如查1到6的路径，从1和6分别查EdgeTo，查到重复点，则把路线结合即可。
代码大概是这样的：
4. 广度优先搜索（breadth-first search）
从深度优先搜索的思路上看，显然不适合用于寻找最短路径。
这里介绍另一种思路：广度优先搜索。此算法需要用到队列（queue）,对队列不熟悉的，可以先看下队列。
从例子入手：
为了方便讲解，作下图：
Marked和EdgeTo与深度优先搜索的一样，DistTo表示起始点与目标点的距离。如：0与3的距离为2，即DistTo[3]=2。
先看最大的这组：
从0开始，先把0标记了（变红）。记0到0的距离为0。（从哪个点开始可以根据需求来决定。）把0加入到队列A中。
0的邻居点有4个：5,1,2,6。队列A输出一个值：0，队列A按顺序输入值5,1,2,6。(这个顺序没所谓，1,6,5,2也行。)
5,1,2,6全部标记为True,从0点来，距离0点为1：
队列A输出一个值，如果上一步是按5,1,2,6顺序输入的，则这里输出的是5.
5的邻居点有3个：0,3,4。由于0已经标记为True，所以不管。将3,4按顺序输入到队列A中（当然，顺序无所谓）。
3,4全部标记为True,从5点来，距离0点为2：
队列A输出一个值，如果之前那步是按5,1,2,6顺序输入的，则这里输出的是1.
1的邻居点有1个：0。由于0已经标记为True，所以不管。
队列A输出一个值，如果之前那步是按5,1,2,6顺序输入的，则这里输出的是2.
2的邻居点有1个：0。由于0已经标记为True，所以不管。
队列A输出一个值，如果之前那步是按5,1,2,6顺序输入的，则这里输出的是6.
6的邻居点有2个：0,4。由于0,4已经标记为True，所以不管。
队列A输出一个值，如果上一步是按3,4顺序输入的，则这里输出的是3.
3的邻居点有2个：5,4。由于5,4已经标记为True，所以不管。
队列A输出一个值，如果上一步是按3,4顺序输入的，则这里输出的是4.
4的邻居点有3个：5,3,6。由于3,5，6已经标记为True，所以不管。
队列A为空，这部分处理完毕。
其它部分也是相同处理方法，DistTo要小心处理，一般要遍历全部的时候，DistTo是不需要的。DistTo一般用于寻找两个点之间的最短距离与路线。
当然也可以像深度优先处理那样加入Group来记录哪些点在哪个团体中。
通用思路可以从例子中看出来，实在看不出的，可以看下面的代码。
代码大概是这样的：
