경쟁 프로그래밍에 자주 나오는 그래프 알고리즘 완전 정복

Sat, 12 Sep 2026 05:00:00 +0900

경쟁 프로그래밍(경프)에서 그래프 이론과 그 알고리즘은 피할 수 없는 가장 중요한 주제 중 하나입니다. AtCoder, Codeforces, TopCoder 등의 콘테스트에 출제되는 많은 문제가 이면에 그래프 구조를 가지고 있습니다. 도로망의 최단 경로, 네트워크 통신 비용 최소화, 작업의 의존성 해결 등 현실 세계의 문제를 추상화하여 풀기 위한 강력한 무기가 됩니다.

이 글에서는 경쟁 프로그래밍에 자주 등장하는 주요 그래프 알고리즘(위상 정렬, 다익스트라 알고리즘, 벨만-포드 알고리즘, 플로이드-워셜 알고리즘, 크루스칼 알고리즘, 프림 알고리즘, 강결합 컴포넌트 분해)에 대해 이론적인 배경, 수식을 활용한 시간 복잡도 평가, 그리고 최신 C++(C++17/20)로 고도로 최적화된 구현 예시와 함께 완전하게 다룹니다. 약 10,000자에 달하는 방대한 분량으로 전해드리는 그야말로 ‘완전 정복’ 가이드입니다.

1. 그래프 알고리즘의 기초와 제약

알고리즘을 배우기 전에, 경쟁 프로그래밍의 그래프 문제에서 일반적인 제약 조건과 시간 복잡도의 기준을 파악해 두는 것이 중요합니다. 그래프는 정점 수 $V$ (Vertices) 와 간선 수 $E$ (Edges) 로 나타냅니다.

$O(V + E)$ : 정점 수 $V, E \le 10^5 \sim 10^6$ 인 문제에서 요구되는 시간 복잡도입니다. 깊이 우선 탐색 (DFS) 이나 너비 우선 탐색 (BFS) 이 이에 해당합니다.
$O((V + E) \log V)$ : $V, E \le 10^5 \sim 2 \cdot 10^5$ 인 문제에서 자주 나옵니다. 다익스트라 알고리즘이나 프림 알고리즘 등에서 우선순위 큐를 사용할 경우의 시간 복잡도입니다.
$O(V^2)$ : $V \le 2000 \sim 3000$ 인 밀집 그래프($E \approx V^2$)에서 허용됩니다.
$O(V^3)$ : $V \le 400 \sim 500$ 인 문제. 플로이드-워셜 알고리즘이 대표적입니다.

경쟁 프로그래밍에서는 그래프의 표현으로 인접 리스트 (Adjacency List) 를 사용하는 것이 일반적입니다. 인접 행렬은 메모리를 $O(V^2)$ 만큼 소비하기 때문에 정점 수가 많은 문제에서는 메모리 제한 (Memory Limit Exceeded) 에 걸리게 됩니다.

2. 그래프의 탐색과 순서 지정

위상 정렬 (Topological Sort)

위상 정렬은 방향 비순환 그래프 (DAG: Directed Acyclic Graph) 의 정점들을, 모든 방향 간선이 앞쪽 정점에서 뒤쪽 정점을 향하도록 일렬로 나열하는 알고리즘입니다. 작업의 의존성(예: 작업 A가 끝나지 않으면 작업 B를 시작할 수 없음)을 해결할 때나 DAG 위에서의 동적 계획법 (DP) 계산 순서를 결정하기 위해 사용됩니다.

시간 복잡도는 $O(V + E)$ 입니다. 칸(Kahn)의 알고리즘(진입 차수를 이용한 BFS 기반)과 후위 순회를 이용한 DFS 기반의 2가지 구현이 있습니다만, 여기서는 사전순으로 가장 앞서는 위상 정렬도 쉽게 구할 수 있는 칸의 알고리즘을 소개합니다.

graph LR A["작업 A"] --> B["작업 B"] A["작업 A"] --> C["작업 C"] B["작업 B"] --> D["작업 D"] C["작업 C"] --> D["작업 D"] E["작업 E"] --> C["작업 C"]

C++ 구현 예시 (칸의 알고리즘)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46


#include <iostream>
#include <vector>
#include <queue>

using namespace std;

// 위상 정렬을 수행하는 함수
// 사이클이 존재하는 경우 빈 배열을 반환
vector<int> topological_sort(int V, const vector<vector<int>>& graph) {
 vector<int> in_degree(V, 0);
 // 진입 차수 계산
 for (int u = 0; u < V; ++u) {
 for (int v : graph[u]) {
 in_degree[v]++;
 }
 }

 // 진입 차수가 0인 정점을 큐에 추가 (사전순 최소가 필요한 경우 priority_queue<int, vector<int>, greater<int>> 사용)
 queue<int> q;
 for (int i = 0; i < V; ++i) {
 if (in_degree[i] == 0) {
 q.push(i);
 }
 }

 vector<int> res;
 while (!q.empty()) {
 int u = q.front();
 q.pop();
 res.push_back(u);

 // 인접한 정점의 진입 차수 감소
 for (int v : graph[u]) {
 in_degree[v]--;
 if (in_degree[v] == 0) {
 q.push(v);
 }
 }
 }

 // 그래프에 사이클이 포함되어 있는지 확인
 if (res.size() != V) {
 return {}; // 사이클 존재
 }
 return res;
}

3. 단일 출발지 최단 경로 문제 (SSSP: Single Source Shortest Path)

어떤 출발지(시작점)에서 다른 모든 정점까지의 최단 경로를 구하는 문제입니다. 간선의 가중치가 음이 아닌지, 혹은 음의 가중치가 존재하는지에 따라 적용할 수 있는 알고리즘이 다릅니다.

다익스트라 알고리즘 (Dijkstra’s Algorithm)

다익스트라 알고리즘은 모든 간선의 가중치가 음수 값이 아닐 때 적용할 수 있는 빠른 최단 경로 알고리즘입니다. ‘현재까지 알려진 최단 거리가 가장 짧은 정점을 확정 짓고, 그 정점에서 인접한 정점들로의 거리를 갱신한다(완화)‘는 그리디(탐욕) 방법에 기반합니다.

완화 (Relaxation) 수식

출발지를 $s$ 라 하고 정점 $u$ 까지의 최단 거리를 $d[u]$, 간선 $(u, v)$ 의 가중치를 $w(u, v)$ 라 합시다. 갱신식은 다음과 같습니다.

$$ d[v] = \min(d[v], d[u] + w(u, v)) $$

우선순위 큐 (std::priority_queue) 를 사용함으로써, 거리가 최소인 미확정 정점을 $O(\log V)$ 만에 꺼낼 수 있으며, 전체 시간 복잡도는 $O((V + E) \log V)$ 가 됩니다. 공간 복잡도는 $O(V + E)$ 입니다.

graph TD S["시작점 S(0)"] -- "2" --> A["정점 A(2)"] S["시작점 S(0)"] -- "5" --> B["정점 B(5)"] A["정점 A(2)"] -- "1" --> B["정점 B(3)"] A["정점 A(2)"] -- "4" --> C["정점 C(6)"] B["정점 B(3)"] -- "1" --> C["정점 C(4)"]

위 그림처럼 S에서 B로 직접 가는 비용은 5이지만, A를 거쳐 가면 비용 3으로 도달할 수 있습니다. 다익스트라 알고리즘은 이와 같이 최적화를 진행합니다.

C++ 구현 예시

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43


#include <iostream>
#include <vector>
#include <queue>

using namespace std;

const long long INF = 1e18; // 충분히 큰 값

struct Edge {
 int to;
 long long weight;
};

// 다익스트라 알고리즘
// 출발지 s에서 각 정점까지의 최단 거리 배열을 반환
vector<long long> dijkstra(int V, const vector<vector<Edge>>& graph, int s) {
 vector<long long> dist(V, INF);
 dist[s] = 0;

 // {거리, 정점} 을 관리하는 우선순위 큐 (거리가 작은 순)
 using P = pair<long long, int>;
 priority_queue<P, vector<P>, greater<P>> pq;
 pq.push({0, s});

 while (!pq.empty()) {
 auto [d, u] = pq.top();
 pq.pop();

 // 이미 더 짧은 경로를 찾은 경우는 스킵 (오래된 정보 폐기)
 if (dist[u] < d) continue;

 // 완화 처리
 for (const auto& edge : graph[u]) {
 int v = edge.to;
 long long cost = edge.weight;
 if (dist[v] > dist[u] + cost) {
 dist[v] = dist[u] + cost;
 pq.push({dist[v], v});
 }
 }
 }
 return dist;
}

if (dist[u] < d) continue; 라는 한 줄이 매우 중요합니다. 다익스트라 알고리즘에서는 같은 정점이 여러 번 큐에 푸시될 수 있는데, 이 확인 작업을 통해 쓸데없는 탐색을 가지치기합니다.

벨만-포드 알고리즘 (Bellman-Ford Algorithm)

간선의 가중치에 음수 값이 포함될 경우, 다익스트라 알고리즘은 올바른 답을 도출하지 못합니다. 이때 활약하는 것이 벨만-포드 알고리즘입니다. 모든 간선에 대한 완화 처리를 $V - 1$ 번 반복함으로써, 음의 가중치가 있더라도 최단 경로를 정확하게 계산합니다.

만약 $V$ 번째 반복에서도 갱신이 발생한다면, 그것은 음의 사이클 (Negative Cycle) 이 존재한다는 것을 의미합니다. 경쟁 프로그래밍에서는 ‘음의 사이클을 찾아라’라는 문제도 자주 출제되며, 벨만-포드 알고리즘은 그 탐지 알고리즘으로서도 매우 뛰어납니다.

시간 복잡도는 $O(V \times E)$ 가 되어 다익스트라 알고리즘보다 느리기 때문에, $V \le 2000, E \le 5000$ 정도의 제약에서만 적용할 수 있다는 점에 주의해야 합니다.

C++ 구현 예시

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39


#include <iostream>
#include <vector>

using namespace std;

const long long INF = 1e18;

struct Edge {
 int from;
 int to;
 long long weight;
};

// 벨만-포드 알고리즘
// 반환값: {최단 거리 배열, 음의 사이클 존재 여부}
pair<vector<long long>, bool> bellman_ford(int V, const vector<Edge>& edges, int s) {
 vector<long long> dist(V, INF);
 dist[s] = 0;
 bool negative_cycle = false;

 // V번 루프를 돈다
 for (int i = 0; i < V; ++i) {
 bool updated = false;
 for (const auto& edge : edges) {
 if (dist[edge.from] != INF && dist[edge.to] > dist[edge.from] + edge.weight) {
 dist[edge.to] = dist[edge.from] + edge.weight;
 updated = true;
 // V번째 갱신이 발생했다면 음의 사이클이 존재함
 if (i == V - 1) {
 negative_cycle = true;
 }
 }
 }
 // 갱신이 없으면 조기 종료 (최적화)
 if (!updated) break;
 }

 return {dist, negative_cycle};
}

4. 모든 쌍 최단 경로 문제 (APSP: All-Pairs Shortest Path)

플로이드-워셜 알고리즘 (Floyd-Warshall Algorithm)

그래프 내의 모든 정점 쌍 간의 최단 거리를 구하는 알고리즘입니다. 동적 계획법 (DP) 을 기반으로 합니다. 알고리즘이 매우 간결하고 구현이 극히 쉽다는 점이 매력적입니다.

상태 전이 방정식은 다음과 같습니다. 정점 $k$ 를 거쳐가는 경로와 거치지 않는 경로 중 더 짧은 쪽을 채택합니다.

$$ d[i][j] = \min(d[i][j], d[i][k] + d[k][j]) $$

3중 루프를 돌기 때문에 시간 복잡도는 $O(V^3)$, 공간 복잡도는 $O(V^2)$ 가 됩니다. 정점 수가 $V \le 400$ 정도라면 실행 시간 제한(보통 2초)에 맞출 수 있습니다.

C++ 구현 예시

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25


#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

const long long INF = 1e18;

// 플로이드-워셜 알고리즘
// dist[i][j] 는 초기 상태에서 i부터 j까지의 간선 가중치 (간선이 없는 경우 INF, i==j인 경우 0)
void floyd_warshall(int V, vector<vector<long long>>& dist) {
 // 거쳐가는 정점 k
 for (int k = 0; k < V; ++k) {
 // 출발지 i
 for (int i = 0; i < V; ++i) {
 // 도착지 j
 for (int j = 0; j < V; ++j) {
 // 오버플로우를 막기 위해 INF인지 확인
 if (dist[i][k] != INF && dist[k][j] != INF) {
 dist[i][j] = min(dist[i][j], dist[i][k] + dist[k][j]);
 }
 }
 }
 }
}

플로이드-워셜 알고리즘에서도 음의 사이클을 찾아낼 수 있습니다. 루프가 끝난 후 dist[i][i] < 0 이 되는 정점 i 가 하나라도 존재한다면, 그래프에 음의 사이클이 포함되어 있는 것입니다.

5. 최소 신장 트리 (MST: Minimum Spanning Tree)

연결된 무방향 그래프에서 모든 정점을 연결하는 트리(사이클이 없는 부분 그래프) 중 간선 가중치의 총합이 최소가 되는 것을 최소 신장 트리 (MST) 라고 부릅니다. 네트워크 구축 비용의 최소화 등에서 직접적으로 출제됩니다.

크루스칼 알고리즘 (Kruskal’s Algorithm)

모든 간선을 가중치가 작은 순서대로 정렬하고, 사이클을 만들지 않도록 차례대로 간선을 선택해 나가는 그리디 알고리즘입니다. 사이클 판별에는 서로소 집합 자료구조 (Union-Find, Disjoint Set) 를 이용하면 고속으로 처리할 수 있습니다.

시간 복잡도는 간선 정렬이 병목이 되어 $O(E \log E)$ 입니다. 경쟁 프로그래밍에서 가장 빈번하게 사용되는 MST 구축 알고리즘입니다.

graph TD A["정점 A"] -- "1 (채택)" --- B["정점 B"] B["정점 B"] -- "2 (채택)" --- C["정점 C"] C["정점 C"] -- "3 (채택)" --- D["정점 D"] A["정점 A"] -- "4 (파기: 사이클)" --- D["정점 D"]

C++ 구현 예시

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60


#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

// Union-Find (서로소 집합 자료구조)
struct UnionFind {
 vector<int> parent, rank, size;
 UnionFind(int n) : parent(n), rank(n, 0), size(n, 1) {
 for (int i = 0; i < n; i++) parent[i] = i;
 }
 int find(int x) {
 if (parent[x] == x) return x;
 // 경로 압축
 return parent[x] = find(parent[x]);
 }
 bool unite(int x, int y) {
 int root_x = find(x);
 int root_y = find(y);
 if (root_x == root_y) return false;

 // 랭크에 기반한 병합
 if (rank[root_x] < rank[root_y]) swap(root_x, root_y);
 parent[root_y] = root_x;
 if (rank[root_x] == rank[root_y]) rank[root_x]++;
 size[root_x] += size[root_y];
 return true;
 }
 bool same(int x, int y) { return find(x) == find(y); }
};

struct Edge {
 int u, v;
 long long weight;
 // 정렬을 위한 비교 연산자
 bool operator<(const Edge& other) const {
 return weight < other.weight;
 }
};

// 크루스칼 알고리즘
long long kruskal(int V, vector<Edge>& edges) {
 // 간선을 가중치 오름차순으로 정렬
 sort(edges.begin(), edges.end());

 UnionFind uf(V);
 long long mst_cost = 0;
 int edge_count = 0;

 for (const auto& edge : edges) {
 if (uf.unite(edge.u, edge.v)) {
 mst_cost += edge.weight;
 edge_count++;
 // 정점 개수 V-1개의 간선이 선택되면 종료 (최적화)
 if (edge_count == V - 1) break;
 }
 }
 return mst_cost;
}

프림 알고리즘 (Prim’s Algorithm)

다익스트라 알고리즘과 매우 유사한 접근 방식을 취합니다. 어떤 하나의 정점에서 시작하여, 이미 만들어진 트리에 직접 연결된 간선 중 가장 가중치가 작은 것을 차례차례 선택하며 트리를 성장시켜 나갑니다.

우선순위 큐를 사용할 경우의 시간 복잡도는 $O((V + E) \log V)$ 입니다. 밀집 그래프(간선 수가 많은 그래프)의 경우, 프림 알고리즘의 배열 기반 구현 $O(V^2)$ 이 크루스칼 알고리즘보다 빠를 수 있습니다.

C++ 구현 예시

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38


#include <iostream>
#include <vector>
#include <queue>

using namespace std;

struct Edge {
 int to;
 long long weight;
};

// 프림 알고리즘
long long prim(int V, const vector<vector<Edge>>& graph) {
 vector<bool> used(V, false);
 // {가중치, 정점}
 using P = pair<long long, int>;
 priority_queue<P, vector<P>, greater<P>> pq;

 long long mst_cost = 0;
 // 정점 0을 시작점으로 삼는다
 pq.push({0, 0});

 while (!pq.empty()) {
 auto [cost, u] = pq.top();
 pq.pop();

 if (used[u]) continue;
 used[u] = true;
 mst_cost += cost;

 for (const auto& edge : graph[u]) {
 if (!used[edge.to]) {
 pq.push({edge.weight, edge.to});
 }
 }
 }
 return mst_cost;
}

6. 심화: 강결합 컴포넌트 분해 (SCC: Strongly Connected Components)

방향 그래프에서 ‘서로 왕래할 수 있는 정점들의 집합’을 강결합 컴포넌트 (SCC) 라고 부릅니다. 임의의 방향 그래프를 강결합 컴포넌트별로 묶으면 전체적으로 반드시 DAG (방향 비순환 그래프) 가 됩니다. 이것을 강결합 컴포넌트 분해라고 합니다. 그래프 구조를 단순화하여 문제를 풀기 쉽게 하기 위한 매우 중요한 전처리 작업입니다.

경쟁 프로그래밍에서는 2-SAT 문제 해결이나 사이클이 있는 그래프를 DAG로 축소하여 DP를 수행하는 상황에서 많이 쓰입니다.

코사라주 알고리즘 (Kosaraju’s Algorithm)

코사라주 알고리즘은 DFS(깊이 우선 탐색)를 2번 수행하는 것만으로 SCC를 구축할 수 있는 아름답고 효율적인 기법입니다. 시간 복잡도는 $O(V + E)$ 로 선형 시간에 동작합니다.

알고리즘 절차:

원래 그래프에서 DFS를 수행하여 후위 순회(post-order)로 정점을 배열에 기록합니다.
모든 간선의 방향을 뒤집은 역방향 그래프를 생성합니다.
1에서 기록한 배열의 뒤에서부터 차례로(후위 순회가 늦은 순서로), 역방향 그래프에서 아직 방문하지 않은 정점부터 DFS를 수행합니다. 이 1회의 DFS로 도달할 수 있었던 정점의 집합이 하나의 SCC가 됩니다.

graph TD subgraph "SCC 1" A["정점 A"] --> B["정점 B"] B["정점 B"] --> A["정점 A"] end subgraph "SCC 2" C["정점 C"] --> D["정점 D"] D["정점 D"] --> C["정점 C"] end B["정점 B"] --> C["정점 C"]

C++ 구현 예시

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57


#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

struct SCC {
 int V;
 vector<vector<int>> graph, rev_graph;
 vector<int> order, comp;
 vector<bool> used;

 SCC(int n) : V(n), graph(n), rev_graph(n), comp(n, -1), used(n, false) {}

 void add_edge(int from, int to) {
 graph[from].push_back(to);
 rev_graph[to].push_back(from);
 }

 // 1번째 DFS (후위 순회 기록)
 void dfs1(int u) {
 used[u] = true;
 for (int v : graph[u]) {
 if (!used[v]) dfs1(v);
 }
 order.push_back(u);
 }

 // 2번째 DFS (역방향 그래프 탐색)
 void dfs2(int u, int id) {
 used[u] = true;
 comp[u] = id;
 for (int v : rev_graph[u]) {
 if (!used[v]) dfs2(v, id);
 }
 }

 // SCC 구축 처리. 반환값은 SCC 그룹 수
 int build() {
 // 1번째 DFS
 for (int i = 0; i < V; ++i) {
 if (!used[i]) dfs1(i);
 }

 fill(used.begin(), used.end(), false);
 int group_id = 0;

 // 2번째 DFS (order의 역순)
 for (int i = V - 1; i >= 0; --i) {
 int u = order[i];
 if (!used[u]) {
 dfs2(u, group_id++);
 }
 }
 return group_id;
 }
};

comp 배열에는 각 정점이 속한 SCC의 ID가 저장됩니다. 이 ID는 사실 위상 정렬 순서대로 할당된다는 매우 편리한 성질을 가지고 있습니다. 즉, comp 값을 보면 DAG로 축소한 뒤의 의존 관계를 즉각적으로 알 수 있습니다.

7. 정리와 학습 조언

이 글에서는 경쟁 프로그래밍에 자주 등장하는 그래프 알고리즘을 총망라했습니다. 그래프 문제의 실력을 높이는 요령은 ‘손에 익을 때까지 여러 번 구현하는 것’ 과 ‘이 문제는 어떤 그래프로 환원할 수 있을까(정점은 무엇인가, 간선은 무엇인가)를 생각하는 훈련을 하는 것’ 입니다.

먼저 DFS / BFS 를 실수 없이 빠르게 작성할 수 있도록 합니다.
다음으로 다익스트라 알고리즘과 크루스칼 알고리즘을 안 보고 쓸 수 있도록 합니다(AtCoder 브라운~그린 구간에서 필수).
마지막으로 벨만-포드, 플로이드-워셜, 위상 정렬, SCC 등의 무기를 늘려나갑니다(AtCoder 시안~블루 구간에서 무기가 됩니다).

코드 스니펫(조각)으로 라이브러리화(스니펫 도구 등이나 자신의 GitHub 저장소에 보관)해 두고, 대회 실전에서 망설임 없이 불러올 수 있도록 준비해 두는 것을 강력히 권장합니다.

경쟁 프로그래밍의 그래프 알고리즘은 알고리즘의 아름다움과 강력함을 가장 잘 체감할 수 있는 분야입니다. 꼭 이 글의 코드를 직접 타이핑해 보고 온라인 저지에서 기출 문제에 도전해 보세요!

Competitive Programming on kenji.blog

경쟁 프로그래밍에 자주 나오는 그래프 알고리즘 완전 정복

1. 그래프 알고리즘의 기초와 제약

2. 그래프의 탐색과 순서 지정

위상 정렬 (Topological Sort)

C++ 구현 예시 (칸의 알고리즘)

3. 단일 출발지 최단 경로 문제 (SSSP: Single Source Shortest Path)

다익스트라 알고리즘 (Dijkstra’s Algorithm)

완화 (Relaxation) 수식

C++ 구현 예시

벨만-포드 알고리즘 (Bellman-Ford Algorithm)

C++ 구현 예시

4. 모든 쌍 최단 경로 문제 (APSP: All-Pairs Shortest Path)

플로이드-워셜 알고리즘 (Floyd-Warshall Algorithm)

C++ 구현 예시

5. 최소 신장 트리 (MST: Minimum Spanning Tree)

크루스칼 알고리즘 (Kruskal’s Algorithm)

C++ 구현 예시

프림 알고리즘 (Prim’s Algorithm)

C++ 구현 예시

6. 심화: 강결합 컴포넌트 분해 (SCC: Strongly Connected Components)

코사라주 알고리즘 (Kosaraju’s Algorithm)

C++ 구현 예시

7. 정리와 학습 조언