删去非已知的边：
当然，在实际编程中，有可能并不会执行这两个操作，我们只要在将最小生成树的相关信息保存在pathTable中即可，本例中算法结束后pathTable应为如下（与Dijkstra算法使用的pathTable略有不同：没有distance域）：
当然，我们也可以使用和Dijkstra算法时一样的pathTable，即加上distance域，不过在计算最小生成树时，一个顶点的distance域应该是其与preV邻接的边的权重：
在我们走一遍Prim算法时，我们发现v4.preV既可以设为v3，也可以设为v1，这就已经说明了一点：一个图的最小生成树并不一定是唯一的。不过还要注意的是：一个图即便有多个最小生成树，它们的总权重也应该是一样的。
如果你回顾一遍Prim算法和Dijkstra算法，就会发现，Prim算法与Dijkstra算法的区别可以说就两个：
1.Prim算法的“起点”是任选的，Dijkstra算法是给定的（毕竟要找的是单源最短路径）
2.Prim算法在将一个未知顶点设为已知时，其distance设为其与已知顶点的最小邻接边的weight，而Dijkstra算法则是设为已知顶点.distance+weight
换句话说，Prim算法就是稍稍修改了一下的Dijkstra算法。如果你仔细观察我们用Prim算法生成的树，你会发现从v3出发到任意顶点的路径恰好是v3到该顶点的最短路径：
接下来本应讨论Kruskal算法，但是我忽然发现我之前忘了写一篇关于树的集合与不相交集的博文(⊙ˍ⊙)。如果要讨论Kruskal算法，这两个预备知识是必不可少的，而如果这两个知识也要讲解的话，博文就太长了Orz。所以我只简单说说Kruskal的思路。
在Prim算法中，我们是以已知顶点（即已在最小生成树中的顶点）为基础，不断地将未知顶点拉进树中。而Kruskal算法则是另一种思路：以当前最小的边为基础，不断地将未知顶点拉进树中（这个过程可能产生多棵树）。
以下图为例，我们走一遍Kruskal算法：
首先，我们需要将边按权重从小到大排序，才能找“当前最小边”：
先是处理当前最小边[v0，v1]，其所连接的两个顶点均未知，所以我们将它们均设为已知，并连起来：
然后处理下一个当前最小边[v1，v3]，其所连接的v3未知，将v3设为已知，连起来：