图论数据结构解析：邻接矩阵 vs 邻接表，10万节点下的内存与性能实测

最新推荐文章于 2026-07-11 13:50:33 发布

原创

最新推荐文章于 2026-07-11 13:50:33 发布 · 449 阅读

代码可运行

图论数据结构深度解析：邻接矩阵与邻接表在10万节点场景下的工程实践

1. 图论数据结构基础与核心差异

图论作为计算机科学中的基石理论，其存储结构的选择直接影响算法效率与系统性能。邻接矩阵（Adjacency Matrix）和邻接表（Adjacency List）是两种最基础的图存储结构，它们的本质差异体现在空间组织方式与访问模式上。

邻接矩阵 采用二维数组存储顶点间的连接关系，矩阵元素 matrix[i][j] 表示顶点i到j的边信息。这种结构具有以下特性：

空间复杂度：O(V²)，V为顶点数
查询效率：O(1)时间复杂度判断任意两顶点连接
适用场景：稠密图（边数接近完全图）

# 邻接矩阵Python实现示例
class AdjMatrix:
    def __init__(self, size):
        self.matrix = [[0]*size for _ in range(size)]
    
    def add_edge(self, u, v, weight=1):
        self.matrix[u][v] = weight
        self.matrix[v][u] = weight  # 无向图需对称设置

邻接表 则通过"顶点+链表"的方式存储，每个顶点维护一个相邻顶点列表。其典型特征包括：

空间复杂度：O(V+E)，E为边数
查询效率：O(degree(V))判断特定连接
适用场景：稀疏图（边数远小于完全图）

// 邻接表C++实现示例
struct Node {
    int vertex;
    Node* next;
};

class AdjList {
private:
    Node** adj;
    int vertexCount;
public:
    AdjList(int V) : vertexCount(V) {
        adj = new Node*[V]();
    }
    
    void addEdge(int u, int v) {
        Node* newNode = new Node{v, adj[u]};
        adj[u] = newNode;
    }
};