Leetcode(210)——课程表 II
题目
现在你总共有 numCourses 门课需要选,记为 0 到 numCourses - 1。给你一个数组 prerequisites ,其中 p r e r e q u i s i t e s [ i ] = [ a i , b i ] prerequisites[i] = [a_i, b_i] prerequisites[i]=[ai,bi] ,表示在选修课程 a i a_i ai 前 必须 先选修 b i b_i bi。
例如,想要学习课程 0 ,你需要先完成课程 1 ,我们用一个匹配来表示:[0,1] 。
返回你为了学完所有课程所安排的学习顺序。可能会有多个正确的顺序,你只要返回 任意一种 就可以了。如果不可能完成所有课程,返回 一个空数组 。
示例 1:
输入:numCourses = 2, prerequisites = [[1,0]]
输出:[0,1]
解释:总共有 2 门课程。要学习课程 1,你需要先完成课程 0。因此,正确的课程顺序为 [0,1] 。
示例 2:
输入:numCourses = 4, prerequisites = [[1,0],[2,0],[3,1],[3,2]]
输出:[0,2,1,3]
解释:总共有 4 门课程。要学习课程 3,你应该先完成课程 1 和课程 2。并且课程 1 和课程 2 都应该排在课程 0 之后。
因此,一个正确的课程顺序是 [0,1,2,3] 。另一个正确的排序是 [0,2,1,3] 。
示例 3:
输入:numCourses = 1, prerequisites = []
输出:[0]
提示:
- 1 <= numCourses <= 2000
- 0 <= prerequisites.length <= numCourses * (numCourses - 1)
- prerequisites[i].length == 2
- 0 <= a i a_i ai, b i b_i bi < numCourses
- a i a_i ai != b i b_i bi
- 所有 [ a i , b i ] [a_i, b_i] [ai,bi] 互不相同
题解
关键点:对有向图进行「拓扑排序」的一个附加效果是:能够顺带检测有向图中是否存在环
方法一:DFS
思路
我们可以将深度优先搜索的流程与拓扑排序的求解联系起来,用一个栈来存储所有已经搜索完成的节点。
对于一个节点 uu,如果它的所有相邻节点都已经搜索完成,那么在搜索回溯到 uu 的时候,uu 本身也会变成一个已经搜索完成的节点。这里的「相邻节点」指的是从 uu 出发通过一条有向边可以到达的所有节点。
假设我们当前搜索到了节点
u
u
u,如果它的所有相邻节点都已经搜索完成,那么这些节点都已经在栈中了,此时我们就可以把
u
u
u 入栈。可以发现,如果我们从栈顶往栈底的顺序看,由于
u
u
u 处于栈顶的位置,那么
u
u
u 出现在所有
u
u
u 的相邻节点的前面。因此对于
u
u
u 这个节点而言,它是满足拓扑排序的要求的。
这样以来,我们对图进行一遍深度优先搜索。当每个节点进行回溯的时候,我们把该节点放入栈中。最终从栈顶到栈底的序列就是一种拓扑排序。
对于图中的任意一个节点,它在搜索的过程中有三种状态,即:
- 「未搜索」:我们还没有搜索到这个节点;
- 「搜索中」:我们搜索过这个节点,但还没有回溯到该节点,即该节点还没有入栈,还有相邻的节点没有搜索完成);
- 「已完成」:我们搜索过并且回溯过这个节点,即该节点已经入栈,并且所有该节点的相邻节点都出现在栈的更底部的位置,满足拓扑排序的要求。
通过上述的三种状态,我们就可以给出使用深度优先搜索得到拓扑排序的算法流程,在每一轮的搜索搜索开始时,我们任取一个「未搜索」的节点开始进行深度优先搜索。
- 我们将当前搜索的节点
u
u
u 标记为「搜索中」,遍历该节点的每一个相邻节点
v
v
v:
- 如果 v v v 为「未搜索」,那么我们开始搜索 v v v,待搜索完成回溯到 u u u;
- 如果 v v v 为「搜索中」,那么我们就找到了图中的一个环,因此是不存在拓扑排序的;
- 如果 v v v 为「已完成」,那么说明 v v v 已经在栈中了,而 u u u 还不在栈中,因此 u u u 无论何时入栈都不会影响到 ( u , v ) (u, v) (u,v) 之前的拓扑关系,以及不用进行任何操作。
- 当 u u u 的所有相邻节点都为「已完成」时,我们将 u u u 放入栈中,并将其标记为「已完成」。
在整个深度优先搜索的过程结束后,如果我们没有找到图中的环,那么栈中存储这所有的
n
n
n 个节点,从栈顶到栈底的顺序即为一种拓扑排序。
下面的 GIF 给出了深度优先搜索的可视化流程。图中的「白色」「黄色」「绿色」节点分别表示「未搜索」「搜索中」「已完成」的状态。
代码实现
Leetcode 官方题解:
class Solution {
private:
// 存储有向图
vector<vector<int>> edges;
// 标记每个节点的状态:0=未搜索,1=搜索中,2=已完成
vector<int> visited;
// 用数组来模拟栈,下标 0 为栈底,n-1 为栈顶
vector<int> result;
// 判断有向图中是否有环
bool valid = true;
public:
void dfs(int u) {
// 将节点标记为「搜索中」
visited[u] = 1;
// 搜索其相邻节点
// 只要发现有环,立刻停止搜索
for (int v: edges[u]) {
// 如果「未搜索」那么搜索相邻节点
if (visited[v] == 0) {
dfs(v);
if (!valid) {
return;
}
}
// 如果「搜索中」说明找到了环
else if (visited[v] == 1) {
valid = false;
return;
}
}
// 将节点标记为「已完成」
visited[u] = 2;
// 将节点入栈
result.push_back(u);
}
vector<int> findOrder(int numCourses, vector<vector<int>>& prerequisites) {
edges.resize(numCourses);
visited.resize(numCourses);
for (const auto& info: prerequisites) {
edges[info[1]].push_back(info[0]);
}
// 每次挑选一个「未搜索」的节点,开始进行深度优先搜索
for (int i = 0; i < numCourses && valid; ++i) {
if (!visited[i]) {
dfs(i);
}
}
if (!valid) {
return {};
}
// 如果没有环,那么就有拓扑排序
// 注意下标 0 为栈底,因此需要将数组反序输出
reverse(result.begin(), result.end());
return result;
}
};
复杂度分析
时间复杂度:
O
(
n
+
m
)
O(n+m)
O(n+m),其中
n
n
n 为课程数,
m
m
m 为先修课程的要求数。这其实就是对图进行深度优先搜索的时间复杂度。
空间复杂度:
O
(
n
+
m
O(n+m
O(n+m)。题目中是以列表形式给出的先修课程关系,为了对图进行深度优先搜索,我们需要存储成邻接表的形式,空间复杂度为
O
(
n
+
m
)
O(n+m)
O(n+m)。在深度优先搜索的过程中,我们需要最多
O
(
n
)
O(n)
O(n) 的栈空间(递归)进行深度优先搜索,并且还需要若干个
O
(
n
)
O(n)
O(n) 的空间存储节点状态、最终答案等。
方法二:BFS+贪心算法
思路
因为方法一的深度优先搜索是一种「逆向思维」:最先被放入栈中的节点是在拓扑排序中最后面的节点。我们也可以使用正向思维,顺序地生成拓扑排序,这种方法也更加直观。采用 BFS 实现的拓扑排序实际上应用的是贪心算法,贪心在每一步都选择入度为0的点输出。
我们考虑拓扑排序中最前面的节点,该节点一定不会有任何入边,也就是它没有任何的先修课程要求。当我们将一个节点加入答案中后,我们就可以移除它的所有出边,代表着它的相邻节点少了一门先修课程的要求。如果某个相邻节点变成了「没有任何入边的节点」,那么就代表着这门课可以开始学习了。按照这样的流程,我们不断地将没有入边的节点加入答案,直到答案中包含所有的节点(得到了一种拓扑排序)或者不存在没有入边的节点(图中包含环)。
上面的想法类似于广度优先搜索,因此我们可以将广度优先搜索的流程与拓扑排序的求解联系起来。
我们使用一个队列来进行广度优先搜索。开始时,所有入度为 0 0 0 的节点都被放入队列中,它们就是可以作为拓扑排序最前面的节点,并且它们之间的相对顺序是无关紧要的。
在广度优先搜索的每一步中,我们取出队首的节点 u u u:
- 我们将 u u u 放入答案中;
- 我们移除 u u u 的所有出边,也就是将 u u u 的所有相邻节点的入度减少 1 1 1。如果某个相邻节点 v v v 的入度变为 0 0 0,那么我们就将 v v v 放入队列中。
在广度优先搜索的过程结束后。如果答案中包含了这 n n n 个节点,那么我们就找到了一种拓扑排序,否则说明图中存在环,也就不存在拓扑排序了。
下面的 GIF 给出了广度优先搜索的可视化流程。
代码实现
Leetcode 官方题解:
class Solution {
private:
// 存储有向图
vector<vector<int>> edges;
// 存储每个节点的入度
vector<int> indeg;
// 存储答案
vector<int> result;
public:
vector<int> findOrder(int numCourses, vector<vector<int>>& prerequisites) {
edges.resize(numCourses);
indeg.resize(numCourses);
for (const auto& info: prerequisites) {
edges[info[1]].push_back(info[0]);
++indeg[info[0]];
}
queue<int> q;
// 将所有入度为 0 的节点放入队列中
for (int i = 0; i < numCourses; ++i) {
if (indeg[i] == 0) {
q.push(i);
}
}
while (!q.empty()) {
// 从队首取出一个节点
int u = q.front();
q.pop();
// 放入答案中
result.push_back(u);
for (int v: edges[u]) {
--indeg[v];
// 如果相邻节点 v 的入度为 0,就可以选 v 对应的课程了
if (indeg[v] == 0) {
q.push(v);
}
}
}
if (result.size() != numCourses) {
return {};
}
return result;
}
};
我的:
class Solution {
// 邻接表——结点结构
typedef struct NC{
struct NC *nextl; // 表示下一个具有相同前提课程的课程
int EP; // 课程下标
NC(struct NC *a, int b): nextl(a), EP(b){}
}NumCNode;
typedef struct NCH{
int RD; // 入度
NumCNode *first;
NCH(): RD(0), first(nullptr){}
}NumCodeHead;
public:
vector<int> findOrder(int numCourses, vector<vector<int>>& prerequisites) {
if(numCourses == 0) return {};
vector<NumCodeHead*> NH;
NumCNode* tmp;
// 初始化邻接表头
for(int n = 0; n < numCourses; n++) NH.push_back(new NumCodeHead);
// 构造邻接表
for(auto &it: prerequisites){
// it[0] 指当前课程 it[1] 指前提课程
tmp = NH[it[1]]->first;
NH[it[1]]->first = new NC(tmp, it[0]);
NH[it[0]]->RD += 1;
}
vector<int> ans;
stack<NumCodeHead*> tools; // 辅助栈——以避免重复查找入度为0的点
NumCodeHead* tmpH;
for(int n = 0; n < numCourses; n++){
if(NH[n]->RD != 0) continue;
tools.push(NH[n]); // 将入度为0的点入栈
ans.push_back(n);
}
while(!tools.empty()){
tmpH = tools.top();
tools.pop();
while(tmpH->first != nullptr){
NH[tmpH->first->EP]->RD -= 1;
if(NH[tmpH->first->EP]->RD == 0){
tools.push(NH[tmpH->first->EP]);
ans.push_back(tmpH->first->EP);
}
tmpH->first = tmpH->first->nextl;
}
}
if(ans.size() == numCourses) return ans;
else return {};
}
};
复杂度分析
时间复杂度:
O
(
n
+
m
)
O(n+m)
O(n+m),其中
n
n
n 为课程数,
m
m
m 为先修课程的要求数。这其实就是对图进行广度优先搜索的时间复杂度。
空间复杂度:
O
(
n
+
m
)
O(n+m)
O(n+m)。题目中是以列表形式给出的先修课程关系,为了对图进行广度优先搜索,我们需要存储成邻接表的形式,空间复杂度为
O
(
n
+
m
)
O(n+m)
O(n+m)。在广度优先搜索的过程中,我们需要最多
O
(
n
)
O(n)
O(n) 的队列空间(迭代)进行广度优先搜索,并且还需要若干个
O
(
n
)
O(n)
O(n) 的空间存储节点入度、最终答案等。