为何BFS用queue解决是合理的

最新推荐文章于 2022-04-05 20:24:31 发布
最新推荐文章于 2022-04-05 20:24:31 发布
阅读量590 收藏 2
点赞数 1
分类专栏： 数据结构与算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/duoyasong5907/article/details/113450176
版权

为何BFS用queue解决是合理的
想象这个问题场景. 由于BFS要求以源节点为中心, 从近到远访问所有节点.
我们用递推证明访问顺序是从近到远的:
起初, 队列中只有一枚源节点.
当k=1时, 取出队首访问, 标记为不可再访问, 将其所有邻居加入队列. 这样会把所有距离为1的节点加入, 并标记不可再访问.
当k=2时, 依次取出队列所有节点, 对其访问并标记. 将所有可以访问的邻居加入队列并标记. 在该阶段开始时, 有这样几个性质:

  1. 所有距离0和1的节点都已标记不可再访问. 这样之后能加入队列的节点一定是距离2以上的.
  2. 每个距离1的节点都已加入队列, 都将被访问, 而每个距离2的节点都与某距离1的节点相连, 因此每个距离2的节点都将被访问. 队列中当前只有距离为1的点, 因此遍历这些点, 只会将距离为2的点加入, 而不会有其它距离的点加入.

由此类推, 可得所有距离的节点都会被访问, 且会按照距离顺序被访问.

duoyasong5907
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
BFS(广度优先遍历搜索解析)
听听丶的博客
03-11 5309
3.2 广度优先搜索（BFS） 广度优先搜索思想 广度优先搜索遍历类似于树的按层次遍历。 对于无向连通图，广度优先搜索是从图的某个顶点v0出发，在访问v0之后，依次搜索访问v0的各个未被访问过的邻接点w1，w2，…。然后顺序搜索访问w1的各未被访问过的邻接点，w2的各未被访问过的邻接点，…。即从v0开始，由近至远，按层次依次访问与v0有路径相通且路径长度分别为1，2，…的顶点，直至连
BFS以及queue函数（c/c++）
weixin_45597771的博客
09-15 1529
BFS(不保留路径和保留路径)以及queue函数常见的用法 一：queue函数 queue函数的用法 首先介绍一下什么是queue函数以及队列： 队列就好比是等绿灯前的汽车，先来的就在前面排好队，后来的汽车就排在后面。很明显，当亮绿灯时，先进来的车先走，后来的后走。队列也是如此，先进入队列的先出去，满足先进先出原则。 我们先来看一张图（来自百度） 我们可以看到队列的方向，它的用法在下面的代码里...
BFS算法和DFS算法（含图解：简单易懂）
热门推荐
qian_yu_的博客
08-30 4万+
图解BFS算法和DFS算法BFS算法算法思路实现过程Python代码实现DFS算法算法思路实现过程Python代码实现 BFS算法 BFS类似于树的层次遍历过程,从根节点开始，沿着树的宽度遍历树的节点。如果所有节点均被访问，则算法中止。 舍去空间换时间。 算法思路 队列（先进先出） 1、创建一个空队列queue（用来存放节点）和一个空列表visit（用来存放已访问的节点） 2、依次将起始点及邻接点加入queue和visit中 3、poo出队
浅析 广度优先遍历（BFS）和深度优先遍历（DFS）
不二喵老师
10-28 2910
想要了解广度优先遍历（BFS）和深度优先遍历（DFS）我们需要先了解图的概念。 图的定义： 图在数据结构中是中一对多的关系，一般分为有向图、无向图和权重图。常用 邻接矩阵 或者 邻接链表 来表示图中结点的关系 有向图（Directed Graph）：有向图中的相连线是有方向的。 无向图（Undirected Graph）：在无向图中，每个顶点和其他顶点通过相连线连接。 权重图（Weighted Graph）：在权重图中，每条相连线有各自的权重。 ...
bfs一种写法用queue队列实现
qq_52358098的博客
01-31 606
输入样例 6 9 ....#. .....# ...... ...... ...... ...... ...... #@...# .#..#. 0 0 该题用bfs实现我第一次用递归实现的bfs实现 代码如下 #include<iostream> #include<cstring> using namespace std; const int N=22; long long sum; char mp[N][N]; int book[N][N]; int net.
用queue队列解决bfs问题
JSASL的博客
04-18 287
A friend of you is doing research on the Traveling Knight Problem (TKP) where you are to find the shortest closed tour of knight moves that visits each square of a given set of n squares on a chessboa...
广度优先算法BFS
yanxiaoqi931的博客
07-15 804
广度优先算法必须先定义一个状态结构体，这个结构体包含如内容： 每走一步需要迭代更新的信息； 该状态对应的最短步数，一个状态的最短步数存在于它第一次被发现时。 广度优先算法需要用到的数据结构是队列，队列记录每个状态。广度优先算法利用队列先进先出的特性，由一个上一层状态不断扩展出新的下一层状态（上一层的状态比下一层的步数少1）。 在扩展状态的同时，算法每扩展一个新状态，都要探查它是否就是题设的最终状态。 核心代码如下： //初始状态 state a; a.x =
队列与BFS的常见做法
qq_43533956的博客
03-22 727
广度优先搜索（BFS）的一个常见应用是找出从根结点到目标结点的最短路径。队列非常适合用来处理标准的BFS。 以计算最短路径为例，BFS通常有以下步骤： 创建一个合适大小的bool数组或哈希表来记录节点是否被遍历过，初始时将所有所有位置置为false； 创建队列，注意队列的数据类型 确定起点，并将起点入队，将起点对应位置置为true，路径长度level=1 当队列不为空时并且没有到达终点时循环以下步骤 将当前队列长度记为count，出队所有count个元素 每出队一个节点，依次判断它周围的点是否
关于对BFS广度搜索+队列的理解
凡心所向，素履所往，生如逆旅，一苇以航
08-04 6638
1.概念：        广度优先搜索算法（Breadth-First-Search），又译作宽度优先搜索，或横向优先搜索，简称BFS，是一种图形搜索算法。简单的说，BFS是从根节点开始，沿着树的宽度遍历树的节点。如果所有节点均被访问，则算法中止。广度优先搜索的实现一般采用open-closed表。 2.解析：          如果说DFS（深度优先搜索）靠的是栈，那BFS（广度优先搜索）...
队列与BFS的简单介绍
一只弱渣
03-13 1202
队列 队列是一种特殊的线性表，特殊之处在于它只允许在表的前端（front）进行删除操作，而在表的后端（rear）进行插入操作，和栈一样，队列是一种操作受限制的线性表。进行插入操作的端称为队尾，进行删除操作的端称为队头。队列具有先进先出的特点。 如图 当在队列中进行读取操作（front）时，会读取队首元素，也就是元素1，使用pop时删除的也是队首元素，经过front与pop操作，队列会变成 而进...
广度优先搜索（BFS+STL queue）实现
q623702748的专栏
05-21 4467
宽度优先搜索算法（又称广度优先搜索）是最简便的图的搜索算法之一，这一算法也是很多重要的图的算法的原型。Dijkstra单源最短路径算法和Prim最小生成树算法都采用了和宽度优先搜索类似的思想。其别名又叫BFS，属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果。换句话说，它并不考虑结果的可能位置，彻底地搜索整张图，直到找到结果为止。 整体思路：从起点向四周同时前进，得到
BFS宽度搜索(队列)与DFS深度搜索(递归)
zw1996的博客
08-08 3965
1；应用方面 ——————bfs宽度搜索用于寻找最优解； ——————dfs深度搜索用于遍历寻找解；2；实现原理；——bfs；利用队列；层次来搜索的； 模板；//结合上图理解代码；Q={起点s}; 标记s为己访问; while (Q非空) { 取Q队首元素u; u出队; 所有与u相邻且未被访问的点进入队列; 标记u为已访问;
广度/宽度优先搜索(BFS)
一米阳光
12-26 3527
raphealguo’blog：http://rapheal.sinaapp.com/2012/08/30/bfs/ 【算法入门】广度/宽度优先搜索(BFS) 发表于 30 八月, 2012 由 raphealguo 1.前言 广度优先搜索（也称宽度优先搜索，缩写BFS，以下采用广度来描述）是连通图的一种遍历策略。因为它的思想是从一个顶点V0开始，辐射状
队列+BFS
紫藤&code的博客
11-04 2694
队列相关定义 队列是一种线性存储表，元素数据的插入在表的一端进行，在另一端删除，从而构成了一个先进先出的FIFO(First In First Out)表。 队头&amp;队尾:插入一端称为队尾，删除一端称为队头。 STL——queue 对象定义 *queue模版类的定义在&lt;queue&gt;头文件中。 *queue模版类需要两个模版参数，一个是元素类型，一个是容器类型。 定义queue对象...
BFS中使用到的queue.h
dominionwu的专栏
01-26 397
typedef struct Node{ int data; struct Node *next;}Node;typedef struct { Node *front;//队首指针 Node *rear;//队尾指针}Queue;Queue * EnQueue(Queue *queue,int e){//向队尾插入一个结点 Node *newptr;//指向新结点的指针 newptr=ma
bfs（结合队列，结构体）
weixin_44373494的博客
07-13 332
在象棋王国，尼古拉斯.火山是一匹英俊的马，他非常幸运迎娶了白马王国的公主，他们将度蜜月，你现在是他们的女仆，火山会问你去一些地方最少需要多少步，这么简单的事当然难不倒你。由于火山是一匹马，他的移动方式将会遵守国际象棋马的走法。 输入： 输入包含一个或多个输入样例。每个测试样例将会有两个坐标，表示现在的位置和将要到达的地方，每个坐标包含一个字母（a-h）表示列和一个数字(1-8)行，这意味这这...
BFS 算法解题套路框架+几个用于BFS的set与queue用法和技巧
weixin_44382711的博客
11-12 270
BFS 算法解题套路框架 几个用于BFS的set与queue用法和技巧（set查找visited queue正常用） queue<int>q; set<string>s; int main(int argc, char *argv[]) { ios::sync_with_stdio(0);cin.tie(0); string a="0000"; q.push(1); q.push(2); cout<<q.front(); q.pop(); s.insert(
捉住那头牛以及Potions (Hard Version)（广搜bfs以及queue用法（包含优先队列）
p_eace的博客
04-05 601
bfs
构造真空吸尘器世界的搜索Agent并评价其性能，环境是3×3方格，每个方格里有灰尘的概率是0.2。在性能度量中不仅包括路径代价也要包括搜索开销，使用合理的转换比率。Python来解决
最新发布
07-14
下面是根据你的要求构建真空吸尘器世界的搜索 Agent，并评价其性能的 Python 代码： ```python import random from collections import deque # 定义状态类 class State: def __init__(self, location, direction, grid): self.location = location # 吸尘器位置坐标 self.direction = direction # 吸尘器方向 self.grid = grid # 环境状态矩阵 # 定义操作符 actions = ['UP', 'DOWN', 'LEFT', 'RIGHT'] movements = { 'UP': (-1, 0), 'DOWN': (1, 0), 'LEFT': (0, -1), 'RIGHT': (0, 1) } def move(state, action): # 根据操作进行移动 row, col = state.location dr, dc = movements[action] new_location = (row + dr, col + dc) new_direction = action new_grid = state.grid.copy() if 0 <= row + dr < len(new_grid) and 0 <= col + dc < len(new_grid[0]): new_grid[row][col] = 0 return State(new_location, new_direction, new_grid) # 实现广度优先搜索算法 def bfs(initial_state): queue = deque([initial_state]) while queue: state = queue.popleft() if is_goal_state(state): return state for action in actions: new_state = move(state, action) queue.append(new_state) return None # 判断是否为目标状态 def is_goal_state(state): for row in state.grid: for cell in row: if cell != 0: return False return True # 构造初始状态 def generate_initial_state(): location = (random.randint(0, 2), random.randint(0, 2)) direction = random.choice(actions) grid = [[1 if random.random() < 0.2 else 0 for _ in range(3)] for _ in range(3)] return State(location, direction, grid) # 运行搜索算法 initial_state = generate_initial_state() goal_state = bfs(initial_state) # 评价性能 def calculate_path_cost(state): path_cost = 0 for row in state.grid: for cell in row: if cell != 0: path_cost += 1 return path_cost def calculate_search_cost(): search_cost = 0 queue = deque([initial_state]) while queue: state = queue.popleft() search_cost += 1 if is_goal_state(state): return search_cost for action in actions: new_state = move(state, action) queue.append(new_state) return search_cost path_cost = calculate_path_cost(goal_state) search_cost = calculate_search_cost() print("目标状态路径代价：", path_cost) print("搜索开销：", search_cost) ``` 这段代码中，我们首先定义了一个状态类 `State`，其中包含了吸尘器的位置、方向和环境状态矩阵。然后，我们定义了操作符和移动函数，实现了广度优先搜索算法来搜索最优路径。接着，我们构造了初始状态，并运行搜索算法得到目标状态。最后，我们评价了性能，包括路径代价和搜索开销。 请注意，在生成初始状态的函数 `generate_initial_state()` 中，我们使用了 `random.randint(0, 2)` 来生成吸尘器的初始位置坐标。而在评价性能的函数 `calculate_path_cost(state)` 和 `calculate_search_cost()` 中，我们分别计算了路径代价和搜索开销。 希望这段代码能满足你的需求。如果有任何问题，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值