【数据结构入门精讲 | 第十七篇】一文讲清图及各类图算法

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：

1. 标记起始节点为已访问。

2. 访问当前节点，并获取其所有邻居节点。

3. 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。

4. 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：

1. 创建一个队列，将起始节点加入队列中并标记为已访问。

2. 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。

3. 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