拓扑排序——课程表 II（leetcode 210）

题目描述

现在你总共有 n 门课需要选，记为 0 到 n-1。

在选修某些课程之前需要一些先修课程。 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他们: [0,1]

给定课程总量以及它们的先决条件，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: 2, [[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: 4, [[1,0],[2,0],[3,1],[3,2]]
输出: [0,1,2,3] or [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] 。

说明:

    输入的先决条件是由边缘列表表示的图形，而不是邻接矩阵。详情请参见图的表示法。
    你可以假定输入的先决条件中没有重复的边。

提示:

    这个问题相当于查找一个循环是否存在于有向图中。如果存在循环，则不存在拓扑排序，因此不可能选取所有课程进行学习。

算法分析

本题是一道经典的「拓扑排序」问题。

给定一个包含 n个节点的有向图 G，我们给出它的节点编号的一种排列，如果满足：

    对于图 G中的任意一条有向边 (u,v)，u在排列中都出现在 v的前面。

那么称该排列是图 G的「拓扑排序」。根据上述的定义，我们可以得出两个结论：

    如果图 G中存在环（即图 G不是「有向无环图」），那么图 G不存在拓扑排序。这是因为假设图中存在环 x1,x2,⋯ ,xn，那么 x1 在排列中必须出现在 xn的前面，但 xn同时也必须出现在 x1的前面，因此不存在一个满足要求的排列，也就不存在拓扑排序；

    如果图 G是有向无环图，那么它的拓扑排序可能不止一种。举一个最极端的例子，如果图 G值包含 n个节点却没有任何边，那么任意一种编号的排列都可以作为拓扑排序。

有了上述的简单分析，我们就可以将本题建模成一个求拓扑排序的问题了：

    我们将每一门课看成一个节点；

    如果想要学习课程 A之前必须完成课程 B，那么我们从 B 到 A连接一条有向边。这样以来，在拓扑排序中，B一定出现在 A 的前面。

求出该图的拓扑排序，就可以得到一种符合要求的课程学习顺序。下面介绍两种求解拓扑排序的方法。

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 uuu 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。

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。开始时，所有入度为 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：

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

 广度优先搜索

class Solution {
public:
    vector<int> findOrder(int numCourses, vector<vector<int>>& prerequisites) {
        vector<vector<int>> redges(numCourses);
        vector<int> inedge(numCourses);
        queue<int> q;
        vector<int> ans;
        for(auto& v : prerequisites) {
            redges[v[1]].push_back(v[0]);
            ++inedge[v[0]];
        }
        for(int i = 0; i < numCourses; ++i) {
            if(inedge[i] == 0) {
                q.push(i);
            }
        }
        while(!q.empty()) {
            int v = q.front();
            q.pop();
            ans.push_back(v);
            for(auto& neighbor : redges[v]) {
                --inedge[neighbor];
                if(inedge[neighbor] == 0) {
                    q.push(neighbor);
                }
            }
        }
        if(ans.size() != numCourses) {
            return vector<int>{};
        }
        return ans;
    }
};

算法复杂度分析

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，并且还需要若干个 O(n) 的空间存储节点状态、最终答案等。

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，并且还需要若干个 O(n) 的空间存储节点入度、最终答案等。