신장트리 (Spanning Tree)
최소신장트리 (MST)
ㅤ
ㅤ
ㅤ
ㅤ
ㅤ
크루스칼 알고리즘 (Kruskal Algorithm)
1) 모든 정점을 독립적인 집합으로 만든다
2) 모든 간선을 비용을 기준으로 정렬하고, 비용이 작은 간선부터 양 끝의 두 정점 비교
3) 두 정점의 최상위 정점 확인하고 서로 다를 경우 두 정점 연결 (사이클 생기지 않도록)
union find 알고리즘
Union Find 알고리즘 고려할 점
최악의 경우 링크드 리스트와 같은 형태가 될 수 있고 이때 계산량이 O(N)이 될 수 있기 떄문에, 해당 문제를 해결하기 위해 union-by-rank, path compression 기법 사용
union by rank 기법
각 트리에 대해 높이(rank)를 기억해두고,
union시 두 트리의 높이(rank)가 다르면, 높이가 작은 트리를 높이가 큰 트리에 붙임
높이가 같으면 한쪽 높이(rank)를 올리고 거기에 붙임
초기화시 모든 원소는 높이가 0인 개별집합인 상태에서 하나씩 원소를 합칠 때 union by rank 사용한다면,
path compression 기법
결론
u-b-r와 p-c를 이용한다면 거의 O(1)을 가진다고 볼 수 있음
code
mygraph = { 'nodes': ['A', 'B', 'C', 'D', 'E', 'F', 'G'], 'edges': [ (7, 'A', 'B'), (5, 'A', 'D'), (7, 'B', 'A'), (8, 'B', 'C'), (9, 'B', 'D'), (7, 'B', 'E'), (8, 'C', 'B'), (5, 'C', 'E'), (5, 'D', 'A'), (9, 'D', 'B'), (7, 'D', 'E'), (6, 'D', 'F'), (7, 'E', 'B'), (5, 'E', 'C'), (7, 'E', 'D'), (8, 'E', 'F'), (9, 'E', 'G'), (6, 'F', 'D'), (8, 'F', 'E'), (11, 'F', 'G'), (9, 'G', 'E'), (11, 'G', 'F') ] }
parent = dict() rank = dict() ㅤ def find(node): if parent[node] != node: parent[node] = find(parent[node]) ㅤ return parent[node] ㅤ def union(node_v, node_u): root1 = find(node_v) root2 = find(node_u) ㅤ if rank[root1] > rank[root2]: parent[root2] = root1 else: parent[root1] = root2 if rank[root1] == rank[root2]: rank[root2] += 1 ㅤ def make_set(node): parent[node] = node rank[node] = 0 ㅤ def kruskal(graph): mst = list() ㅤ for node in graph['nodes']: make_set(node) edges = graph['edges'] edges.sort() ㅤ for edge in edges: weight, node_v, node_u = edge if find(node_v) != find(node_u): union(node_v, node_u) mst.append(edge) ㅤ return mst ㅤ kruskal(mygraph)
시간 복잡도
O(E log E)
1. 모든 정점을 독립적인 집합으로 만든다.
2. 모든 간선을 비용을 기준으로 정렬하고, 비용이 작은 간선부터 양 끝의 두 정점을 비교한다.
퀵소트를 사용한다면 시간 복잡도는 O(n log n) 이며, 간선이 n 이므로 O(E log E) // 이 시간에 시간복잡도 좌우 됨
3. 두 정점의 최상위 정점을 확인하고, 서로 다를 경우 두 정점을 연결한다. (최소 신장 트리는 사이클이 없으므로,
사이클이 생기지 않도록 하는 것임)
union-by-rank 와 path compression 기법 사용시 시간 복잡도가 결국 상수값에 가까움, O(1)
ㅤ
ㅤ
ㅤ
ㅤ
ㅤ
프림 알고리즘(Prim's Algorithm)
시작정점을 선택한 후 정점에 인접한 간선 중 최소 간선으로 연결된 정점을 선택하고, 해당 정점에서 다시 최소간선으로 연결된 정점을 선택하는 방식으로 최소신장트리를 확장해가는 방식
크루스칼 알고리즘 VS 프림 알고리즘
heapq 사용
heapq.heapify() 통해 리스트 데이터를 heap 형태로 한 번에 변환 가능 (0번 인덱스를 우선순위로 인지)
collections 라이브러리의 defaultdict함수 활용
-> defaultdict 함수 사용, key에 대한 value를 지정하지 않았을 시 반 리스트로 초기화
프림 알고리즘 파이썬 코드
1. 모든 간선 정보를 저장 (adjacent_edges)
2. 임의의 정점을 선택, '연결된 노드 집합( connected_nodes)'에 삽입
3. 선택된 정점에 연결된 간선들을 간선 리스트(candidate_edge_list)에 삽입
4. 간선 리스트(candidate_edge_list)에서 최소 가중치를 가지는 간선부터 추출해서,
해당 간선에 연결된 인접 정점이 '연결된 노드 집합'에 이미 들어 있다면, 스킵함(cycle 발생을 막기 위함)
해당 간선에 연결된 인접 정점이 '연결된 노드 집합'에 들어 있지 않으면, 해당 간선을 선택하고, 해당 간선 정보 를 '최소 신장 트리(mst)'에 삽입
a) 선택된 간선은 간선 리스트에서 제거
b) 간선 리스트에 더 이상의 간선이 없을 때까지 3~4번을 반복
코드
myedges = [ (7, 'A', 'B'), (5, 'A', 'D'), (8, 'B', 'C'), (9, 'B', 'D'), (7, 'B', 'E'), (5, 'C', 'E'), (7, 'D', 'E'), (6, 'D', 'F'), (8, 'E', 'F'), (9, 'E', 'G'), (11, 'F', 'G') ]
from collections import defaultdict from heapq import * ㅤ def prim(start_node, edges): mst = list() adjacent_edges = defaultdict(list) for weight, n1, n2 in edges: adjacent_edges[n1].append((weight, n1, n2)) adjacent_edges[n2].append((weight, n2, n1)) ㅤ connected_nodes = set(start_node) candidate_edge_list = adjacent_edges[start_node] heapify(candidate_edge_list) ㅤ while candidate_edge_list: weight, n1, n2 = heappop(candidate_edge_list) if n2 not in connected_nodes: connected_nodes.add(n2) mst.append((weight, n1, n2)) ㅤ for edge in adjacent_edges[n2]: if edge[2] not in connected_nodes: heappush(candidate_edge_list, edge) ㅤ return mst ㅤ --------------------------------------------------- ㅤ prim ('A', myedges)
시간 복잡도
최악의 경우, while 구문에서 모든 간선에 대해 반복하고, 최소 힙 구조를 사용하므로 O( ElogE) 시간 복잡도를 가짐
참고: 개선된 프림 알고리즘
간선이 아닌 노드를 중심으로 우선순위 큐를 적용하는 방식
개선된 프림 알고리즘 구현시 고려 사항
code
mygraph = { 'A': {'B': 7, 'D': 5}, 'B': {'A': 7, 'D': 9, 'C': 8, 'E': 7}, 'C': {'B': 8, 'E': 5}, 'D': {'A': 5, 'B': 9, 'E': 7, 'F': 6}, 'E': {'B': 7, 'C': 5, 'D': 7, 'F': 8, 'G': 9}, 'F': {'D': 6, 'E': 8, 'G': 11}, 'G': {'E': 9, 'F': 11} } ㅤ mst, total_weight = prim(mygraph, 'A') print ('MST:', mst) print ('Total Weight:', total_weight)
from heapdict import heapdict ㅤ def prim(graph, start): mst, keys, pi, total_weight = list(), heapdict(), dict(), 0 for node in graph.keys(): keys[node] = float('inf') pi[node] = None keys[start], pi[start] = 0, start ㅤ while keys: current_node, current_key = keys.popitem() mst.append([pi[current_node], current_node, current_key]) total_weight += current_key for adjacent, weight in mygraph[current_node].items(): if adjacent in keys and weight < keys[adjacent]: keys[adjacent] = weight pi[adjacent] = current_node ㅤ return mst, total_weight
시간 복잡도
개선된 프림 알고리즘의 시간 복잡도: O(ElogV)
최초 key 생성 시간 복잡도: O(V)
while 구문과 keys.popitem() 의 시간 복잡도는 O(Vlog V)
for 구문의 총 시간 복잡도는 O(Elog V)
일반적인 heap 자료 구조 자체에는 본래 heap 내부의 데이터 우선순위 변경시, 최소 우선순위 데 이터를 루트노드로 만들어주는 로직은 없음. 이를 decrease key 로직이라고 부름, 해당 로직은 heapdict 라이브러리를 활용해서 간단히 적용가능