{
  "id": "adjacency-list",
  "title": "邻接表",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "邻接表通过为每个顶点关联一组相邻顶点或关联边来表示图。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "邻接表表示法"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/adjacency-list/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/adjacency-list/",
      "json": "https://aiwiki.page/en/adjacency-list.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "邻接表是一种用于表示图论中的图的数据结构，它为每个顶点关联一组邻居或关联边。它只存储实际存在的连接，而不会为每一种可能的顶点对单独预留位置。因此，它特别适用于稀疏图，即边数相对于可能的连接数较少的图。虽然名称中带有“表”，邻接表并不一定要使用链表：数组、可调整大小的数组、哈希表及其他容器都可以用来存储邻居。"
    },
    {
      "heading": "定义与结构",
      "text": "设图为 \\(G=(V,E)\\)，其中 \\(V\\) 是顶点集，\\(E\\) 是边集。对于有向图，顶点 \\(u\\) 的出边邻接集合表示为\n\n\\[\\operatorname{Adj}[u]=\\{v\\in V:(u,v)\\in E\\}.\\]\n\n这一集合记法描述的是简单图。在具体实现中，也可以存储边记录序列，从而允许端点重复，并保存边标识符及其他属性。\n\n邻接表表示通常分为两层：\n\n- 外层容器，用于定位每个顶点的邻接集合。\n- 内层容器，用于存储该顶点的邻居或边记录。\n\n如果顶点采用连续编号，外层容器可以使用数组（数据结构）。如果顶点以名称或其他键标识，则可以用哈希表将标识符映射到相应的集合。没有邻居的顶点也必须得到表示，例如使用空集合，或在单独的顶点登记表中为其保留条目。\n\n示例\n\n考虑一个无向图，其顶点为 \\(A,B,C,D,E\\)，边为 \\(\\{A,B\\}\\)、\\(\\{A,C\\}\\) 和 \\(\\{B,D\\}\\)：\n\nA: B, C\nB: A, D\nC: A\nD: B\nE:\n\n每条边都出现在两个端点各自的集合中。孤立顶点 \\(E\\) 对应的集合为空。\n\n对于相应的有向边 \\(A\\to B\\)、\\(A\\to C\\) 和 \\(B\\to D\\)，出边邻接表示为：\n\nA: B, C\nB: D\nC:\nD:\nE:\n\n邻居的排列顺序通常没有数学意义，但可能影响遍历顺序以及结果的可复现性。"
    },
    {
      "heading": "图的变体与边属性",
      "text": "有向图与无向图\n\n在没有自环的无向图中，每条边对应两个邻接条目。因此，顶点的度就是其邻接集合的长度。\n\n在有向图中，出边表记录从某个顶点出发的边。它的长度给出该顶点的出度，而非入度。若要高效访问入边，就需要单独的入边邻接结构或其他索引。如果没有这类结构，查找某个顶点的所有前驱可能需要扫描整个图。\n\n加权图\n\n对于加权图，每个条目可以包含一个邻居及相应的权重：\n\nA: (B, 7), (C, 2)\nB: (D, 5)\n\n更一般的边记录还可以包含标识符、标签、容量、时间戳，或指向单独存储的属性的引用。将属性保存在共享的边对象中，可以避免在无向边的两个端点都引用该边时重复存储属性。\n\n平行边与自环\n\n多重图允许同一对端点之间存在多条边。邻接序列可以用独立的记录表示这些边；而仅存储邻居的集合会将它们合并，除非显式保存边的重数或边集合。\n\n自环的处理约定需要格外注意。在无向图中，一个自环对所在顶点的数学意义上的度贡献为二。具体表示时，可以将自环存储两次，以保持度与表长之间的对应关系；也可以只存储一次，并在计算度时单独处理。"
    },
    {
      "heading": "空间与操作开销",
      "text": "记 \\(n=|V|\\)，\\(m=|E|\\)。通常假设每个顶点条目和每条边记录占用的空间均有固定上界，在此假设下，邻接表使用的空间为\n\n\\[\\Theta(n+m)\\]\n\n有向图的出边表示存储 \\(m\\) 个边条目；常规的无向图表示则存储约 \\(2m\\) 个。空间复杂度中的顶点项不可忽略，因为孤立顶点也需要得到表示。\n\n各项操作的时间复杂度取决于所选容器。对于未排序的邻接序列，假设访问外层顶点条目所需的时间为常数，则有：\n\n操作 | 典型开销\n枚举 \\(u\\) 的所有邻居 | \\(\\Theta(\\deg(u))\\)\n判断 \\(u\\) 是否与 \\(v\\) 相邻 | \\(O(\\deg(u))\\)\n在链表头部插入一个条目 | \\(O(1)\\)\n在可调整大小的数组末尾追加一个条目 | 均摊 \\(O(1)\\)\n按端点查找并删除一个条目 | \\(O(\\deg(u))\\)\n枚举所有顶点和边 | \\(\\Theta(n+m)\\)\n\n对于有向图的出边表，这些开销中的 \\(\\deg(u)\\) 指出度。\n\n上述界限需要附加若干说明：\n\n- 常数时间插入以无需检查是否已存在重复项为前提。\n- 删除无向边通常需要同时更新两个端点的集合。\n- 删除已知条目可能比定位该条目更快，具体取决于容器以及可用的引用。\n- 删除顶点时，还必须删除与其关联的边。如果只有出边表，定位该顶点的入边可能需要进行完整扫描。\n- 大小可变的边属性和顶点标识符会带来额外的存储需求，不包含在结构本身的 \\(\\Theta(n+m)\\) 界限内。\n\n因此，“邻接表”规定的是一种表示模式，而不是一套适用于所有实现的操作开销。"
    },
    {
      "heading": "实现选择",
      "text": "链表与可调整大小的数组\n\n链表支持在头部进行常数时间插入；如果有合适的引用，也可以支持高效删除。其缺点包括指针开销、内存分配成本，以及节点在内存中分散存放时较差的局部性。\n\n动态数组将邻居连续存储。它通常能提供紧凑的存储和高效的顺序迭代，并受益于CPU 缓存。在末尾追加元素的均摊开销为常数，但删除元素可能需要移动其他元素。如果不必保持顺序，可以用最后一个元素替换待删除的已知元素，再缩小数组。\n\n有序集合与哈希集合\n\n有序邻接数组允许通过二分查找在 \\(O(\\log \\deg(u))\\) 时间内查找端点，但更新时为了维持顺序，可能需要线性时间的操作。\n\n在合适的哈希假设下，基于哈希的邻居集合可以提供期望常数时间的成员查询和更新操作。它会引入额外的内存开销，迭代时的局部性可能较差，而且如果每个邻居只存储一次，就无法直接保留平行边。\n\n压缩稀疏行存储\n\n压缩稀疏行格式，简称 CSR，将邻接数据紧凑地存入一个偏移量数组和一个连续的邻居数组中。对于编号为 \\(0,\\ldots,n-1\\) 的顶点，顶点 \\(u\\) 的邻居占据以下左闭右开区间：\n\n\\[[\\operatorname{offset}[u],\\operatorname{offset}[u+1]).\\]\n\n偏移量数组包含 \\(n+1\\) 个条目。加权图的表示可以使用一个与邻居数组对应的权重数组来存储权重。\n\nCSR 减少了逐顶点分配内存的开销，并支持高效的顺序处理。它很适合静态图，但图结构发生变化时，可能需要移动数据或重建表示。"
    },
    {
      "heading": "在图算法中的应用",
      "text": "邻接表使算法能够直接检查实际存在的边，而不必检查所有可能的顶点对。\n\n假设辅助记录操作均可在常数时间内完成，广度优先搜索和深度优先搜索遍历以邻接表表示的整个图时，运行时间为 \\(O(n+m)\\)。每个顶点的处理次数和每个邻接条目的检查次数都有常数上界。从一个顶点出发的遍历只会访问从该顶点可达的部分，除非再发起其他搜索。\n\n对于最短路径问题，迪ijkstra算法通常将加权邻接表与优先队列配合使用。在边权非负的情况下，采用二叉堆的标准实现，其运行时间为 \\(O((n+m)\\log n)\\)。\n\n邻接表还用于拓扑排序、连通分量检测、生成树算法以及网页排名算法。它们广泛出现在道路网络、依赖关系图、社交网络和程序分析结构中。"
    },
    {
      "heading": "与其他表示方式的比较",
      "text": "邻接矩阵为每个有序顶点对预留一个位置。因此，常规矩阵需要 \\(\\Theta(n^2)\\) 个条目，支持常数时间的边查询，而枚举某个顶点的邻居通常需要扫描长度为 \\(n\\) 的一整行。\n\n相比之下，邻接表使用的空间与顶点数和边数之和成正比，枚举邻居所需的时间则与邻居数量成正比。对于稀疏图以及以遍历为主的工作负载，邻接表通常很有吸引力。对于稠密图，矩阵凭借简单的索引、可预测的内存访问以及高效的位压缩表示，可能同样具有竞争力，甚至更为合适。\n\n边列表将所有边存储在由端点对或边记录组成的单一集合中。它便于处理或排序全部边，但如果没有额外建立索引，查找某个顶点的邻居就需要扫描整个集合。\n\n实际选择不仅取决于图的稠密程度，还取决于更新频率、成员查询频率、边属性、内存开销和访问模式。即使一个图在数学意义上是稀疏的，如果每个邻接条目都带有多个指针或单独分配的对象，仍可能产生可观的内存开销。"
    }
  ],
  "links": [
    "graph-theory",
    "data-structure",
    "array-data-structure",
    "hash-table",
    "vertex-degree",
    "time-complexity",
    "linked-list",
    "dynamic-array",
    "cpu-cache",
    "binary-search",
    "breadth-first-search",
    "depth-first-search",
    "shortest-path-problem",
    "dijkstra-algorithm",
    "priority-queue",
    "pagerank",
    "adjacency-matrix"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}