在上一篇中我们进行了的并查集相关练习,在这一篇中我们将学习图的知识点。
概念
下面介绍几种在对图操作时常用的算法。
深度优先DFS
深度优先搜索(DFS)是一种用于遍历或搜索树、图等数据结构的基本算法。该算法从给定的起点开始,沿着一条路径直到达到最深的节点,然后再回溯到上一个节点,继续探索下一条路径,直到遍历完所有节点或者找到目标节点为止。
具体步骤如下:
-
标记起始节点为已访问。
-
访问当前节点,并获取其所有邻居节点。
-
遍历所有邻居节点,如果该邻居节点未被访问过,则递归地对该邻居节点进行深度优先搜索。
-
重复步骤2和步骤3,直到所有能够到达的节点都被访问过。
DFS算法使用了递归或者栈的机制,在每一轮中尽可能深入地探索,并且只有在到达死胡同(无法继续深入)时才会回溯。DFS并不保证先访问距离起始节点近的节点,而是以深度为导向。
DFS算法可以用于寻找路径、生成拓扑排序、解决回溯问题等,但不保证找到最短路径。其时间复杂度为O(V+E),其中V表示节点数,E表示边数。在树或图的遍历中,DFS通常占用的空间较少,但在最坏情况下可能需要使用大量的栈空间。
简单来说,DFS遵循悬崖勒马回头是岸的原则
拿下图举例:从0一直完左走,走到3,发现没路可走后,回头,继续寻找。
所以:图的深度优先遍历类似于二叉树的先序遍历
伪代码
# 定义图的数据结构
graph = {
'A': ['B', 'C'],
'B': ['D', 'E'],
'C': ['F'],
'D': [],
'E': ['F'],
'F': []
}
# 定义访问状态数组
visited = {
}
# 初始化访问状态
for node in graph:
visited[node] = False
# 定义DFS函数
def dfs(node):
# 标记当前节点为已访问
visited[node] = True
print(node, end=' ')
# 遍历当前节点的邻接节点
for neighbor in graph[node]:
# 如果邻接节点未被访问,则递归调用DFS函数
if not visited[neighbor]:
dfs(neighbor)
# 从起始节点开始进行DFS
start_node = 'A'
dfs(start_node)
广度优先BFS
广度优先搜索(BFS)是一种用于遍历或搜索树、图等数据结构的基本算法。该算法从给定的起点开始,按照距离递增的顺序依次访问其所有邻居节点,并将这些邻居节点加入到一个队列中进行遍历,直到访问到目标节点或者遍历完所有节点。
具体步骤如下:
-
创建一个队列,将起始节点加入队列中并标记为已访问。
-
循环执行以下步骤,直到队列为空:
- 弹出队列头部的节点。
- 访问当前节点,并获取其所有邻居节点。
- 遍历所有邻居节点,如果该邻居节点未被访问过,则将其加入队列尾部,并标记为已访问。
-
循环结束后,所有能够从起始节点到达的节点都已经被访问过了。
BFS算法可以用于寻找最短路径或者解决迷宫等问题,其时间复杂度为O(V+E),其中V表示节点数,E表示边数。相对于深度优先搜索,BFS搜索更具有层次性,能够保证先访问距离起始节点近的节点,因此在寻找最短路径时更为有效。
如何对一个图进行广度优先遍历呢?
方法是:每一层从左到右进行遍历
比如下图的结果就是1、2、3、5、6、4、7
所以图的广度优先遍历类似于树的层次遍历
伪代码
# 定义图的数据结构
graph = {
'A': ['B', 'C'],
'B': ['D', 'E'],
'C': ['F'],
'D': [],
'E': ['F'],
'F': []
}
# 定义访问状态数组
visited = {
}
# 初始化访问状态
for node in graph:
vi