K算法和P算法，都是针对无向图的算法
    首先保证连通性，
    其次保证保留的边权重和最小

    image.png
    K和P算法里面有个比较恶心的结构： 并查集，可以用hashmap替代。
    K算法：其实就是一种贪心。
    step1 ： 先按照边权重从小到大排序
    step2: 判断形成的有没有形成环
    image.png
    image.png
    image.png
    image.png
    image.png
    只要用某种机制做到集合查询和合并功能，就做到判断环了。
    最优版本：并查集
    替代版本：hash字典保存某个节点和集合的对应关系。
    判断两个集合是不是一个：根据内存地址是否相等
    image.png
    image.png
    注意⚠️：这里的Union合并过程，最终目的是将from 和 to 两个结合中所有的 节点 合并成一个集合，我们要在map中修改其中每一个元素的对应关系，
    所以这里的for循环不能用简单的fromSet.addAll替代，深度利用内存地址，将字典所有相关的指针指向一个

    image.png
    为爱发电，不错，找点事情干，买个触摸板挺好的。

    K算法：
    用优先队列实现边的权重排序。小根堆，Arrays.sort都可以，有序表应该都可以。
    image.png
    P算法：从点的角度来实现。
    从哪个点出发都无所谓
    不需要想K算法那样需要一个并查集结构，因为k算法里面是以边为考虑对象，可能形成不同的联通区域，需要合并咋i一起
    而k算法这个每次拿进来一个点，
    image.png
    image.png
    解法：
    step1：任意选一个点，准备一个hashSet，将点介入hashSet中，并将相邻的边加入到一个小根堆中
    step2，从小根堆中选一个权重最小的边，判断end节点是否在hashSet中，如果没有，将该点加入到hashset中，并将该点相邻的所有边（通过判断end节点是否在hashSet中保证不要重复加入）
    step3:继续小根堆中查找权重最小且不形成环的边。

    image.png
    最外层的循环是为了找不同的各自独立的联通区域。
    感觉可以用来找音符的不同小符号。

    左程云：森林问题 image.png

    image.png
    image.png
    最优这行代码应该要优化一下，因为边会重复进队列。增加了常熟时间