本文属于「征服LeetCode」系列文章之一,这一系列正式开始于2021/08/12。由于LeetCode上部分题目有锁,本系列将至少持续到刷完所有无锁题之日为止;由于LeetCode还在不断地创建新题,本系列的终止日期可能是永远。在这一系列刷题文章中,我不仅会讲解多种解题思路及其优化,还会用多种编程语言实现题解,涉及到通用解法时更将归纳总结出相应的算法模板。
为了方便在PC上运行调试、分享代码文件,我还建立了相关的仓库:https://github.com/memcpy0/LeetCode-Conquest。在这一仓库中,你不仅可以看到LeetCode原题链接、题解代码、题解文章链接、同类题目归纳、通用解法总结等,还可以看到原题出现频率和相关企业等重要信息。如果有其他优选题解,还可以一同分享给他人。
由于本系列文章的内容随时可能发生更新变动,欢迎关注和收藏征服LeetCode系列文章目录一文以作备忘。
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 prerequisites[i] = [ai, bi]
,表示在选修课程 ai
前 必须 先选修 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 <= ai, bi < numCourses
ai != bi
- 所有
[ai, bi]
互不相同
本题和 207. 课程表 I 是几乎一样的题目。更难的题目是630. 课程表 III。
给定一个包含 n n n 个节点的有向图 G G G ,我们给出它的节点编号的一种排列,如果满足:对于图 G G G 中的任意一条有向边 ( u , v ) (u, v) (u,v) , u u u 在排列中都出现在 v v v 的前面。那么称该排列是图 G G 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 G G 中存在环(即图 G G G 不是「有向无环图」),那么图 G G G 不存在拓扑排序。这是因为假设图中存在环 x 1 , x 2 , ⋯ , x n x_1, x_2, \cdots, x_n x1,x2,⋯,xn ,那么 x 1 x_1 x1 在排列中必须出现在 x n x_n xn 的前面,但 x n x_n xn 同时也必须出现在 x 1 x_1 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 G 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 G G 值包含 n n 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 A A 之前必须完成课程 B B B ,那么我们从 B B B 到 A A A 连接一条有向边。这样以来,在拓扑排序中, B B B 一定出现在 A A 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。
解法1 深度优先搜索——判断有无环路
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 u 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 u u 时, u u 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 u 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 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时,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 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,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。
class Solution {
private:
vector<vector<int>> edges;
vector<int> visited;
vector<int> result; // 数组模拟栈,n-1为栈底,0为栈顶
int index;
public:
bool dfs(int u) {
visited[u] = 1; // 搜索中
for (int v: edges[u]) {
if (visited[v] == 0) { // 未搜索
if (dfs(v)) return true; // 有环
}
else if (visited[v] == 1) // 搜索中
return true; // 有环
}
visited[u] = 2;
result[--index] = u;
return false; // 无环
}
vector<int> findOrder(int numCourses, vector<vector<int>>& prerequisites) {
edges.resize(numCourses);
visited.resize(numCourses);
result.resize(numCourses);
index = numCourses;
for (const auto& info: prerequisites)
edges[info[1]].push_back(info[0]);
for (int i = 0; i < numCourses; ++i)
if (!visited[i])
if (dfs(i)) return {}; // 有环时返回空
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,因此总空间复杂度为 O ( n + m ) O(n+m) O(n+m) 。
解法2 广度优先搜索
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。
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。初始时,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。
class Solution {
public:
vector<int> findOrder(int numCourses, vector<vector<int>>& prerequisites) {
vector<int> G[numCourses], in(numCourses, 0);
vector<int> result;
for (const vector<int>& v : prerequisites) {
++in[v[0]]; // v[0] <- v[1]
G[v[1]].push_back(v[0]);
}
queue<int> q;
for (int i = 0; i < numCourses; ++i) if (!in[i]) { q.push(i); result.push_back(i); }
int count = 0; //拓扑序列中课程的数量
while (!q.empty()) {
int u = q.front(); q.pop();
for (const int &v : G[u]) if (!(--in[v])) { q.push(v); result.push_back(v); }
}
return result.size() != numCourses ? vector<int>{} : 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。因此总空间复杂度为 O ( n + m ) O(n+m) O(n+m) 。