算法图解part6：广度优先搜索

1.图是什么

图由节点node和边edge组成。一个节点可能与众多节点直接相连，这些节点被称为邻居。

拓展：树
树是一种特殊的图，其中没有往后指的边。
单向（根→父亲→儿子）

2.广度优先搜索、队列

广度优先搜索是一种用于图的查找算法，可解决两类问题：

• ①从节点A出发，有前往节点C的路径吗？ (寻找朋友中的芒果商)
• ②从节点A出发，前往节点C的哪条路径最短？（通往金门大桥的最短路径）

广度优先搜索的执行过程中，搜索范围从起点开始逐渐向外延伸，即先检查一度关系，再检查二度关系。广度优先搜索不仅查找从A到B的路径，而且找到的是最短的路径。

你需要按添加顺序进行检查。有一个可实现这种目的的数据结构，那就是队列（queue）。

队列：
队列类似于栈，你不能随机地访问队列中的元素。队列只支持两种操作：入队和出队。
队列是一种先进先出（First In First Out，FIFO）的数据结构，而栈是一种后进先出（Last InFirst Out，LIFO）的数据结构。

队列在python中的简单使用：

from collections import deque
queue = deque(["Eric", "John", "Michael"])
queue.append("Terry")           # Terry 入队
queue.append("Graham")          # Graham 入队
queue.popleft()                 # 队首元素出队
#输出: 'Eric'
queue.popleft()                 # 队首元素出队
#输出: 'John'
print(queue)                           # 队列中剩下的元素
#输出: deque(['Michael', 'Terry', 'Graham'])

运行结果：

deque([‘N’, ‘T’, ‘G’])

3.实现图

举个栗子：
实现下列关系图:
图由多个节点组成，每个节点都与相邻节点相连，散列表可以很好的表示这种关系。
散列表让你能够将键（name）映射到值（friends）。

python代码如下：

graph = {}
graph["you"] = ["alice", "bob", "claire"]     #  "you" 为键 ， ["alice", "bob", "claire"] 为值
graph["bob"] = ["anuj", "peggy"]
graph["alice"] = ["peggy"]
graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []
graph["peggy"] = []
graph["thom"] = []
graph["jonny"] = []

注：Anuj、Peggy、Thom和Jonny都没有邻居，这是因为虽然有指向他们的箭头，但没有从他们出发指向其他人的箭头。这被称之为有向图（directed graph），其中的关系是单向的。而无向图（undirected graph）没有箭头，直接相连的节点互为邻居，eg：我和BOB互为邻居；我与ANUJ不直接相连不是邻居。

4.实现广度优先搜索算法

概述广度优先搜索算法的工作原理：

PS:检查一个人之前，要确认之前没检查过他，否则会陷入无限循环。
eg：我不是芒果商，检查我的朋友A，A也不是，将A的朋友——我，加入检查队列，无限循环 “我——A——我”

完整实现代码如下：

from collections import deque

def person_is_seller(name):
      return name[-1] == 'm'

graph = {}
graph["you"] = ["alice", "bob", "claire"]
graph["bob"] = ["anuj", "peggy"]
graph["alice"] = ["peggy"]
graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []
graph["peggy"] = []
graph["thom"] = []
graph["jonny"] = []

def search(name):
    search_queue = deque() # 创建一个队列
    search_queue += graph[name] # 将你的邻居都加入到这个搜索队列中
    searched = [] # 该数组用于记录检查过的人
    while search_queue: # 只要队列不为空
        person = search_queue.popleft() # 就取出其中的第一个人
        if not person in searched: # 仅当这个人没检查过时才检查
            if person_is_seller(person): # 检查这个人是否是芒果销售商
                print (person + " is a mango seller!") # 是芒果销售商
                return True
            else:
                search_queue += graph[person] # 不是芒果销售商。将这个人的朋友都加入搜索队列
                searched.append(person) # 将这个人标记为检查过
    return False # 队列中没人是芒果销售商

search("you")

运行结果：

thom is a mango seller!
True

5.运行时间

在整个人际关系网中搜索芒果商，意味着我将沿着每条边前行（边是一个人到另一个人的箭头或者连接），因此运行时间至少为 $O(边数)$ 。
此外还有一个队列，包含要检查的人。添加人入队（压入） 所需时间固定，为$O(1)$,每个人都这样操作，则时间为 $O(人数)$。
故广度优先搜索的运行时间为 $O(人数+边数)$，写作 $O(V+E)$ ,其中V为（vertice），E为边数（edge）。

6.总结

• 广度优先搜索指出是否有A到B的路径
• 如果有，将找出最短路径
• 面临类似寻找最短路径的问题时，可尝试使用图来建立模型，再使用广度优先搜索来解决问题
• 有向图的边为箭头，箭头的方向指定了关系的方向
• 无向图的边不带箭头，其中的关系是双向的
• 队列是先进先出的。
• 栈是后进先出的。
• 你需要按加入顺序检查搜索列表中的人，否则找到的就不是最短路径，因此搜索列表必须是队列。
• 对于检查过的人，务必不要再去检查，否则可能导致无限循环。

7.参考资料

《算法图解》第六章

此部分学习算法内容已上传github：https://github.com/ShuaiWang-Code/Algorithm/tree/master/Chapter6