几乎在所有的项目，甚至日常生活，待完成的不同任务之间通常都会存在着某些依赖关系，这些依赖关系会为它们的执行顺序行程表部分约束。对于这种依赖关系，很容易将其表示成一个有向无环图（directed acyclic graph，dag，无环是一个重要条件），并将寻找其中依赖顺序的过程称为拓扑排序（topological sorting）。
拓扑排序要满足如下两个条件
- 每个顶点出现且只出现一次。
- 若a在序列中排在b的前面，则在图中不存在从b到a的路径。
拓扑排序算法
任何无回路的顶点活动网（aov网）n都可以做出拓扑序列：
- 从n中选出一个入度为0的顶点作为序列的下一顶点。
- 从n网中删除所选顶点及其所有的出边。
- 反复执行上面两个步骤，知道已经选出了图中的所有顶点，或者再也找不到入度为非0的顶点时算法结束。
如果剩下入度非0的顶点，就说明n中有回路，不存在拓扑排序。
存在回路，意味着某些活动的开始要以其自己的完成作为先决条件，这种现象成为活动之间的死锁。一种常见的顶点活动网实例是大学课程的先修课程。课程知识有前后练习，一门课可能以其他课程的知识为基础，学生想选修这门课程时，要看是否已修过所有先修课程。如果存在一个回路的话，那就意味着进入了一个循环，那么该同学就毕不了业了。
因此可以说拓扑排序算法是为了做出满足制约关系的工作安排。
下面我们操作一个实例，如下图是一个有向无环图：
用字典表示：g = { 'a':'bce', 'b':'d','c':'d','d':'','e':'cd'}
代码实现：
python" id="highlighter_804508">
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
def toposort(graph):
in_degrees = dict((u,0) for u in graph) #初始化所有顶点入度为0
vertex_num = len(in_degrees)
for u in graph:
for v in graph[u]:
in_degrees[v] += 1 #计算每个顶点的入度
q = [u for u in in_degrees if in_degrees[u] == 0] # 筛选入度为0的顶点
seq = []
while q:
u = q.pop() #默认从最后一个删除
seq.append(u)
for v in graph[u]:
in_degrees[v] -= 1 #移除其所有指向
if in_degrees[v] == 0:
q.append(v) #再次筛选入度为0的顶点
if len(seq) == vertex_num: #如果循环结束后存在非0入度的顶点说明图中有环，不存在拓扑排序
return seq
else:
print("there's a circle.")
g = {
'a':'bce',
'b':'d',
'c':'d',
'd':'',
'e':'cd'
}
print(toposort(g))
|
输出结果：
|
1
|
['a', 'e', 'c', 'b', 'd']
|
图中有环的情况：
|
1
|
g = { 'a':'bce', 'b':'d','c':'d','d':'e','e':'cd'}
|
输出结果：
|
1
2
|
there's a circle.
none
|
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对服务器之家的支持。
原文链接：http://www.cnblogs.com/zhaojieyu/p/8543136.html