1. 图论基础：从零理解数据结构
第一次接触图论时，我完全被各种术语搞晕了。直到在头歌实训平台反复练习后，才发现图论其实就像我们日常生活中的社交网络。想象一下微信好友关系：每个人是一个顶点，好友关系就是边，这样理解图就简单多了。
图的阶指的是顶点数量，就像班级里有30个同学。度则是某个顶点的连接数，好比统计某人的微信好友数量。这里有个有趣公式：所有顶点度数之和等于边数的两倍。比如5个顶点8条边的图，度数和就是16（8×2）。这个规律在解题时特别有用，我经常用它快速验证答案。
无向完全图是所有顶点都互相连接的图。计算边数有固定公式：n(n-1)/2。5阶无向完全图就是5×4÷2=10条边。记得第一次做题时，我总忘记除以2，结果把完全图算成了20条边，闹了不少笑话。
2. 图的矩阵表示：用代码说话
在头歌实训做关联矩阵题目时，我踩过一个大坑。题目要求用Python的sympy库输出矩阵，但平台对格式要求极其严格——连空格和换行都要完全匹配。后来我发现用三重引号字符串可以完美保持格式：
print("""⎡1 0 0 1 0⎤ ⎢ ⎥ ⎢1 1 0 0 1⎥ ⎢ ⎥ ⎢0 1 1 0 0⎥ ⎢ ⎥ ⎣0 0 1 1 1⎦""")邻接矩阵和关联矩阵是两种核心表示方法。邻接矩阵记录顶点间的直接连接，就像地铁站之间的直达关系表。关联矩阵则记录顶点与边的归属关系，更适合处理复杂网络。在判断两个图是否相等时，邻接矩阵比关联矩阵更方便，因为可以直接用矩阵相等来判断。
3. Dijkstra算法实战：寻找最优路径
第一次实现Dijkstra算法时，我被那个"∞"的表示难住了。后来发现用足够大的数代替就行，比如99999。算法核心就像快递员派件：每次从仓库（起点）出发，选择当前最短的路线送货，并更新周边站点的最短距离。
在头歌平台的题目中，需要输出两个列表：花费列表和前驱节点列表。这里有个易错点：起点到自己的花费是0，前驱节点要用-1表示。我的调试技巧是先用简单图手动计算预期结果，比如下面这个4节点图：
graph = [ [(1,2),(2,5)], # 节点0 [(2,1),(3,4)], # 节点1 [(3,3)], # 节点2 [] # 节点3 ]4. 调试技巧与性能优化
在头歌平台提交代码时，我总结出三个避坑法则：
- 输入输出严格匹配：平台测试是字符串完全比对，多一个空格都不行
- 边界条件测试：空图、单节点图、不连通图都要考虑
- 变量命名清晰：costs、parents比c、p更易维护
对于大规模图，可以用优先队列优化Dijkstra算法。Python的heapq模块就很适合：
import heapq def dijkstra_heap(graph, start): heap = [(0, start)] costs = [float('inf')] * len(graph) costs[start] = 0 while heap: current_cost, u = heapq.heappop(heap) if current_cost > costs[u]: continue for v, weight in graph[u]: if costs[v] > costs[u] + weight: costs[v] = costs[u] + weight heapq.heappush(heap, (costs[v], v)) return costs实际项目中，我更喜欢用networkx库处理复杂图论问题。但在学习阶段，手动实现算法更能加深理解。记得某次调试时，因为把visited列表放在更新costs之前，导致结果错误，花了两个小时才找到这个bug。
