假设以下情景，有一块木板。板上钉上了一些钉子。这些钉子能够由一些细绳连接起来。假设每一个钉子能够通过一根或者多根细绳连接起来。那么一定存在这种情况，即用最少的细绳把全部钉子连接起来。
更为实际的情景是这种情况。在某地分布着N个村庄。如今须要在N个村庄之间修路，每一个村庄之前的距离不同，问怎么修最短的路，将各个村庄连接起来。
以上这些问题都能够归纳为最小生成树问题，用正式的表述方法描写叙述为：给定一个无方向的带权图G=(V, E)，最小生成树为集合T, T是以最小代价连接V中全部顶点所用边E的最小集合。 集合T中的边能够形成一颗树。这是由于每一个节点（除了根节点）都能向上找到它的一个父节点。
解决最小生成树问题已经有前人开道，Prime算法和Kruskal算法。分别从点和边下手攻克了该问题。
Prim算法
Prim算法是一种产生最小生成树的算法。该算法于1930年由捷克数学家沃伊捷赫·亚尔尼克（英语：Vojtěch Jarník）发现。并在1957年由美国计算机科学家罗伯特·普里姆（英语：Robert C. Prim）独立发现。1959年，艾兹格·迪科斯彻再次发现了该算法。
Prim算法从随意一个顶点開始，每次选择一个与当前顶点集近期的一个顶点，并将两顶点之间的边增加到树中。
Prim算法在找当前近期顶点时使用到了贪婪算法。
算法描写叙述：
1. 在一个加权连通图中，顶点集合V。边集合为E
2. 随意选出一个点作为初始顶点,标记为visit,计算全部与之相连接的点的距离，选择距离最短的，标记visit.
3. 反复以下操作，直到全部点都被标记为visit：
在剩下的点钟。计算与已标记visit点距离最小的点，标记visit,证明增加了最小生成树。
以下我们来看一个最小生成树生成的过程：
1 起初，从顶点a開始生成最小生成树
2 选择顶点a后，顶点啊置成visit（涂黑）,计算周围与它连接的点的距离：
3 与之相连的点距离分别为7,6,4，选择C点距离最短，涂黑C，同一时候将这条边高亮增加最小生成树：
4 计算与a,c相连的点的距离（已经涂黑的点不计算），由于与a相连的已经计算过了，仅仅须要计算与c相连的点，假设一个点与a,c都相连。那么它与a的距离之前已经计算过了，假设它与c的距离更近。则更新距离值。这里计算的是未涂黑的点距离涂黑的点的近期距离，非常明显，b和a为7，b和c的距离为6。更新b和已訪问的点集距离为6，而f,e和c的距离各自是8,9，所以还是涂黑b,高亮边bc：
5 接下来非常明显。d距离b最短。将d涂黑。bd高亮：
6 f距离d为7，距离b为4。更新它的最短距离值是4。所以涂黑f，高亮bf：
7 最后仅仅有e了：
针对如上的图,代码实比例如以下：
#include<iostream>
#define INF 10000
using namespace std;
const int N = 6;
bool visit[N];
int dist[N] = { 0, };
int graph[N][N] = { {INF,7,4,INF,INF,INF}, //INF代表两点之间不可达
{7,INF,6,2,INF,4},
{4,6,INF,INF,9,8},
{INF,2,INF,INF,INF,7},
{INF,INF,9,INF,INF,1},
{INF,4,8,7,1,INF}
};
int prim(int cur)
{
int index = cur;
int sum = 0;
int i = 0;
int j = 0;
cout << index << " ";
memset(visit, false, sizeof(visit));
visit[cur] = true;
for (i = 0; i < N; i++)
dist[i] = graph[cur][i];//初始化。每一个与a邻接的点的距离存入dist
for (i = 1; i < N; i++)
{
int minor = INF;
for (j = 0; j < N; j++)
{
if (!visit[j] && dist[j] < minor) //找到未訪问的点中，距离当前最小生成树距离最小的点
{
minor = dist[j];
index = j;
}
}
visit[index] = true;
cout << index << " ";
sum += minor;
for (j = 0; j < N; j++)
{
if (!visit[j] && dist[j]>graph[index][j]) //运行更新，假设点距离当前点的距离更近，就更新dist
{
dist[j] = graph[index][j];
}
}
}
cout << endl;
return sum; //返回最小生成树的总路径值
}
int main()
{
cout << prim(0) << endl;//从顶点a開始
return 0;
}Kruskal算法
Kruskal是还有一个计算最小生成树的算法，其算法原理例如以下。首先，将每一个顶点放入其自身的数据集合中。然后，依照权值的升序来选择边。当选择每条边时，推断定义边的顶点是否在不同的数据集中。假设是，将此边插入最小生成树的集合中，同一时候。将集合中包括每一个顶点的联合体取出。假设不是。就移动到下一条边。反复这个过程直到全部的边都探查过。
以下还是用一组图示来表现算法的过程：
1 初始情况，一个联通图，定义针对边的数据结构，包括起点，终点。边长度：
typedef struct _node{
int val; //长度
int start; //边的起点
int end; //边的终点
}Node;
2 在算法中首先取出全部的边，将边依照长短排序，然后首先取出最短的边，将a,e放入同一个集合里，在实现中我们使用到了并查集的概念：
3 继续找到第二短的边，将c, d再放入同一个集合里：
4 继续找。找到第三短的边ab，由于a,e已经在一个集合里。再将b增加：
5 继续找，找到b,e。由于b,e已经同属于一个集合，连起来的话就形成环了。所以边be不增加最小生成树：
6 再找，找到bc，由于c,d是一个集合的。a,b,e是一个集合。所以再合并这两个集合：
这样全部的点都归到一个集合里，生成了最小生成树。
依据上图实现的代码例如以下：
#include<iostream>
#define N 7
using namespace std;
typedef struct _node{
int val;
int start;
int end;
}Node;
Node V[N];
int cmp(const void *a, const void *b)
{
return (*(Node *)a).val - (*(Node*)b).val;
}
int edge[N][3] = { { 0, 1, 3 },
{ 0, 4, 1 },
{ 1, 2, 5 },
{ 1, 4, 4 },
{ 2, 3, 2 },
{ 2, 4, 6 },
{ 3, 4, 7}
};
int father[N] = { 0, };
int cap[N] = {0,};
void make_set() //初始化集合，让全部的点都各成一个集合。每一个集合都仅仅包括自己
{
for (int i = 0; i < N; i++)
{
father[i] = i;
cap[i] = 1;
}
}
int find_set(int x) //推断一个点属于哪个集合，点假设都有着共同的祖先结点，就能够说他们属于一个集合
{
if (x != father[x])
{
father[x] = find_set(father[x]);
}
return father[x];
}
void Union(int x, int y) //将x,y合并到同一个集合
{
x = find_set(x);
y = find_set(y);
if (x == y)
return;
if (cap[x] < cap[y])
father[x] = find_set(y);
else
{
if (cap[x] == cap[y])
cap[x]++;
father[y] = find_set(x);
}
}
int Kruskal(int n)
{
int sum = 0;
make_set();
for (int i = 0; i < N; i++)//将边的顺序按从小到大取出来
{
if (find_set(V[i].start) != find_set(V[i].end)) //假设改变的两个顶点还不在一个集合中，就并到一个集合里。生成树的长度加上这条边的长度
{
Union(V[i].start, V[i].end); //合并两个顶点到一个集合
sum += V[i].val;
}
}
return sum;
}
int main()
{
for (int i = 0; i < N; i++) //初始化边的数据，在实际应用中可依据详细情况转换而且读取数据,这边仅仅是測试用例
{
V[i].start = edge[i][0];
V[i].end = edge[i][1];
V[i].val = edge[i][2];
}
qsort(V, N, sizeof(V[0]), cmp);
cout << Kruskal(0)<<endl;
return 0;
}