拓扑排序—课程表（leetcode 207）

题目描述

你这个学期必须选修 numCourses 门课程，记为 0 到 numCourses - 1 。

在选修某些课程之前需要一些先修课程。 先修课程按数组 prerequisites 给出，其中 prerequisites[i] = [ai, bi] ，表示如果要学习课程 ai 则 必须 先学习课程  bi 。

    例如，先修课程对 [0, 1] 表示：想要学习课程 0 ，你需要先完成课程 1 。

请你判断是否可能完成所有课程的学习？如果可以，返回 true ；否则，返回 false 。

示例 1：

输入：numCourses = 2, prerequisites = [[1,0]]
输出：true
解释：总共有 2 门课程。学习课程 1 之前，你需要完成课程 0 。这是可能的。

示例 2：

输入：numCourses = 2, prerequisites = [[1,0],[0,1]]
输出：false
解释：总共有 2 门课程。学习课程 1 之前，你需要先完成​课程 0 ；并且学习课程 0 之前，你还应先完成课程 1 。这是不可能的。

提示：

    1 <= numCourses <= 105
    0 <= prerequisites.length <= 5000
    prerequisites[i].length == 2
    0 <= ai, bi < numCourses
    prerequisites[i] 中的所有课程对 互不相同

算法分析

方法一：深度优先搜索

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 u，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 u 的时候，u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 u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，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入栈。可以发现，如果我们从栈顶往栈底的顺序看，由于 u处于栈顶的位置，那么 u出现在所有 u的相邻节点的前面。因此对于 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。

算法

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标记为「搜索中」，遍历该节点的每一个相邻节点 v：

        如果 v为「未搜索」，那么我们开始搜索 v，待搜索完成回溯到 u；

        如果 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为「已完成」，那么说明 v已经在栈中了，而 u还不在栈中，因此 u无论何时入栈都不会影响到 (u,v)之前的拓扑关系，以及不用进行任何操作。

    当 u的所有相邻节点都为「已完成」时，我们将 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个节点，从栈顶到栈底的顺序即为一种拓扑排序。

下面的幻灯片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。

方法二: 广度优先搜索

思路

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。

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。

算法

我们使用一个队列来进行广度优先搜索。初始时，所有入度为 000 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：

    我们将 u放入答案中；

    我们移除 u的所有出边，也就是将 u的所有相邻节点的入度减少 1。如果某个相邻节点 v 的入度变为 0，那么我们就将 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。

深度优先搜索

class Solution {
public:
    vector<vector<int>> redges;
    vector<int> visited;
    bool valid = true;
    void dfs(int v) {
        visited[v] = 1;
        for(const auto& neighbor : redges[v]) {
            if(visited[neighbor] == 0) {
                dfs(neighbor);
                if(!valid) {
                    return;
                }
            } else if(visited[neighbor] == 1) {
                valid = false;
                return;
            }
        }
        visited[v] = 2;
    }
    bool canFinish(int numCourses, vector<vector<int>>& prerequisites) {
        redges.resize(numCourses);
        visited.resize(numCourses, 0);
        for(const auto& v : prerequisites) {
            redges[v[1]].push_back(v[0]);
        }
        for(int i = 0; i < numCourses; ++i) {
            if(!visited[i] && valid) {
                dfs(i);
            }
        }
        return valid;
    }
};

广度优先搜索

class Solution {
public:
    bool canFinish(int numCourses, vector<vector<int>>& prerequisites) {
        vector<vector<int>> rgraph(numCourses);
        vector<int> in(numCourses);
        queue<int> que;
        for(auto& v : prerequisites) {
            rgraph[v[1]].push_back(v[0]);
            ++in[v[0]];
        }

        for(int i = 0; i < numCourses; ++i) {
            if(in[i] == 0) {
                que.push(i);
            }
        }
        int visited = 0;
        while(!que.empty()) {
            int v = que.front();
            que.pop();
            ++visited;
            for(auto& neighbor : rgraph[v]) {
                --in[neighbor];
                if(in[neighbor] == 0) {
                    que.push(neighbor);
                }
            }
        }
        return visited == numCourses;
    }
};

时间复杂度分析

时间复杂度: O(n+m)，其中 nnn 为课程数，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)。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)。在深度优先搜索的过程中，我们需要最多 O(n)的栈空间（递归）进行深度优先搜索，因此总空间复杂度为 O(n+m)。

 时间复杂度: O(n+m)，其中 n为课程数，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)。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)。在广度优先搜索的过程中，我们需要最多 O(n) 的队列空间（迭代）进行广度优先搜索。因此总空间复杂度为 O(n+m)。