图常用的存储方法有

图是一种非常重要的数据结构，它能够用来表示各种各样的关系，并且广泛应用于计算机科学、人工智能等领域。而在图的存储方面，有多种常用的方法，我们将从多个角度进行分析，具体如下：

1. 邻接矩阵

邻接矩阵是一种常见的图的存储方法，它使用一个二维数组来表示图中各个节点之间的关系，其中数组中元素的值表示对应节点之间的边的权重或者存在情况。通过邻接矩阵可以很方便地查询任意两个节点之间的距离以及它们之间是否有边相连，但是该方法的缺点是当图中的节点数量较多时，矩阵占用的存储空间会更大。

2. 邻接表

邻接表是另一种常用的图的存储方法，它使用一个数组和链表结合起来表示图中各个节点以及它们之间的关系。具体来说，数组中每个元素对应一个节点，而链表则用于存储该节点与其他节点之间的连接关系。邻接表相对于邻接矩阵来说占用的存储空间更小，但是在查询任意两个节点之间的距离时需要遍历链表，时间复杂度会更高些。

3. 关联矩阵

关联矩阵是一种将节点和边一并存储在二维数组中的图的存储方法，其中行表示节点，列表示边，数组中元素的值表示对应节点和边之间的关系。由于关联矩阵占用的存储空间相对于邻接矩阵和邻接表会更大，该方法主要应用于特殊场合，如较稀疏的图。

4. 散列表

散列表也可以用于图的存储，其基本思想是将图中的节点映射到一个大的哈希表中，同时在散列表中保存各个节点之间的连接关系。由于散列表可以快速查询元素，因此该方法较为适用于节点数量较多的情况，但是它的存储空间占用会更大。

5. 布隆过滤器

布隆过滤器是一种高效的数据结构，它可以用于判断某个元素是否在集合中出现过。在图中存储时，我们可以将每个节点的编号进行哈希，然后加入到布隆过滤器中，这样就可以快速地判断某个节点是否存在。但是布隆过滤器有一定的误判率，因此一般结合其他存储方法一同使用。

综上所述，图的存储方法有很多种，我们需要根据具体需求选择适合自己的方法。如果需要查询节点之间的距离或者判断它们之间是否存在边，可以选择邻接矩阵或者邻接表；如果节点数量较大，可以考虑使用散列表；如果需要高效地判断节点是否存在，可以使用布隆过滤器。在实际应用中，我们也可以根据自己的需求进行一些定制化的方法。