如题，邻接表表示不太会表示，感觉不如邻接矩阵那么明白。如果单纯从过题的角度来说，只用邻接矩阵可以吗？
楼主的数学结构没有学好，这个问题显然是不可以的。
一般稠密图适合邻接矩阵,稀疏图适合邻接表,此外邻接矩阵从一个点找所有相邻点是Ｏ(Ｖ)的！这会让很多算法变得很慢！
此外,一个有200000点的图,如何用邻接矩阵优雅的存下来？开这么大的矩阵编译器直接报错．
不可以，
邻接矩阵的优点：能够O(1)判断两个点是否有边相连。缺点：空间复杂度是O(V^2)。
邻接表的优点：空间复杂度比较小，或者说是用最少的空间复杂度了，有多少条边就要多少，O(E).
缺点是，想判断两个点是否有边相连，必须找到与这个点相连的顶点都枚举一遍。
在不同算法里面会有不同的用处。邻接矩阵最强大的用处就是任意两点的最短路的floyd的算法，因为算法本身复杂度是O(V^3)，因此空间复杂度O(V^2)显得完全无压力，然而该算法需要判断两点是否有边相连，因此邻接矩阵的优势就体现了。
另外一个用处就是最小生成树的prim算法，由于prim算法的核心就是通过更新每一个点与当前的树的距离来实现，在更新时需要频繁地获取两点之间的距离，因此邻接矩阵的用途就到了。从这个角度上看，prim算法比较适合稠密图。
邻接表是适合稀疏图，在单源最短路的dijkstra算法中，由于需要的遍历一个点的所有边，因此邻接表发挥了它的功效，另外如果使用优先队列进行优化，就可以在O(ElogV)的复杂度下解决单源最短路的问题。面对十万的规模，显然邻接矩阵是无能为力的。
另外相对应上面的prim算法，另一个经典的最小生成树的算法是kruskal算法，核心的关键在于从小到大枚举每一条边，然后利用并查集来判断这条边是否连接两个树，然后进行合并。由于涉及枚举边的操作，因此邻接表再一次发挥了它的功效！同时也体现了kruskal算法是在稀疏图中更适合。
总的来说，邻接矩阵和邻接表都必须掌握。哪个都不能放弃。
不可以，因为邻接矩阵的空间复杂度是O(V^2)，大部分图论题目无法使用邻接矩阵存图，少部分顶点数较少的题目则可以使用邻接矩阵存图。对于顶点数10w+的图直接就无法使用邻接矩阵了，这是内存问题。
楼主的数学结构没有学好，这个问题显然是不可以的。
2015-06-25 未知一般稠密图适合邻接矩阵,稀疏图适合邻接表,此外邻接矩阵从一个点找所有相邻点是Ｏ(Ｖ)的！这会让很多算法变得很慢！
此外,一个有200000点的图,如何用邻接矩阵优雅的存下来？开这么大的矩阵编译器直接报错．
2015-06-24 未知不可以，
2015-06-25 未知邻接矩阵的优点：能够O(1)判断两个点是否有边相连。缺点：空间复杂度是O(V^2)。
邻接表的优点：空间复杂度比较小，或者说是用最少的空间复杂度了，有多少条边就要多少，O(E).
缺点是，想判断两个点是否有边相连，必须找到与这个点相连的顶点都枚举一遍。
在不同算法里面会有不同的用处。邻接矩阵最强大的用处就是任意两点的最短路的floyd的算法，因为算法本身复杂度是O(V^3)，因此空间复杂度O(V^2)显得完全无压力，然而该算法需要判断两点是否有边相连，因此邻接矩阵的优势就体现了。
另外一个用处就是最小生成树的prim算法，由于prim算法的核心就是通过更新每一个点与当前的树的距离来实现，在更新时需要频繁地获取两点之间的距离，因此邻接矩阵的用途就到了。从这个角度上看，prim算法比较适合稠密图。
邻接表是适合稀疏图，在单源最短路的dijkstra算法中，由于需要的遍历一个点的所有边，因此邻接表发挥了它的功效，另外如果使用优先队列进行优化，就可以在O(ElogV)的复杂度下解决单源最短路的问题。面对十万的规模，显然邻接矩阵是无能为力的。
另外相对应上面的prim算法，另一个经典的最小生成树的算法是kruskal算法，核心的关键在于从小到大枚举每一条边，然后利用并查集来判断这条边是否连接两个树，然后进行合并。由于涉及枚举边的操作，因此邻接表再一次发挥了它的功效！同时也体现了kruskal算法是在稀疏图中更适合。
总的来说，邻接矩阵和邻接表都必须掌握。哪个都不能放弃。
2015-06-25 未知不可以，因为邻接矩阵的空间复杂度是O(V^2)，大部分图论题目无法使用邻接矩阵存图，少部分顶点数较少的题目则可以使用邻接矩阵存图。对于顶点数10w+的图直接就无法使用邻接矩阵了，这是内存问题。
2015-06-25 未知