Summary--算法图解（二）BFS

一. 散列表

1. ，散列函数是“将输入映射到数字”。（类似数组索引）。你可能根本不需要自己去实现散列表，任一优秀的语言都提供了散列表实现。Python提供的散列表实现为字典，你可使用函数dict来创建散列表——键映射到值。生活中的实例就比如DNS解析，将IP与网址域名映射。
2. 将散列表用作缓存 。缓存是一种常用的加速方式，所有大型网站都使用缓存，而缓存的数据则存储在散列表中！比如Facebook不仅缓存主页，还缓存About页面、Contact页面、Terms and Conditions页面等众多 其他的页面。因此，它需要将页面URL映射到页面数据。当你访问Facebook的页面时，它首先检查散列表中是否存储了该页面。
   

# 代码实现：
def get_page(url):
	if cache.get(url):
		return cache[url]
	else:
		data = get_data_from_server(url)
		cache[url] = data
		return data
# 仅当URL不在缓存中时，你才让服务器做些处理，并将处理生成的数据存储到缓存中，再返回它。
#这样，当下次有人请求该URL时，你就可以直接发送缓存中的数据，而不用再让服务器进 行处理了

• 这里总结一下，散列表适合用于：
• 模拟映射关系；
• 防止重复；
• 缓存/记住数据，以免服务器再通过处理来生成它们。

4. 冲突（collision）：实际上，散列函数并非总是将不同的键映射到数组的不同位置。处理冲突的方式 很多，最简单的办法如下：如果两个键映射到了同一个位置，就在这个位置存储一个链表。 但是，需要注意的是：假设你工作的杂货店只销售名称以字母A打头的商品，那么除第一个位置外，整个散列表都是空的，而第一个位置包含一个很长的列表！换言之， 这个散列表中的所有元素都在这个链表中，这与一开始就将所有元素存储到一个链表中一样糟 糕：散列表的速度会很慢。
   

5. 性能：在平均情况下，散列表执行各种操作的时间都为O(1)。O(1)被称 为常量时间。这意味着无论散列表包含一个元素还是10亿个元素，从其中获取数 据所需的时间都相同。实际上，你以前见过常量时间——从数组中获取一个元素所需的时间就是 固定的：不管数组多大，从中获取一个元素所需的时间都是相同的。在平均情况下，散列表的速度确实很快。不过，在最糟情况下，散列表所有操作的运行时间都为O(n)——线性时间。
   
   因此，在使用散列表时，避开最糟情况至关重要。为此，需要避免冲突。而要避免冲突，需要有：较低的填装因子；良好的散列函数

散列小结：

•  你可以结合散列函数和数组来创建散列表。
•  冲突很糟糕，你应使用可以最大限度减少冲突的散列函数。
•  散列表的查找、插入和删除速度都非常快。
•  散列表适合用于模拟映射关系。
•  一旦填装因子超过0.7，就该调整散列表的长度。 （填装因子：散列表包含的元素数/位置总数 调整长度通常开销很大，因此不应该频繁这样做。此外，调整长度通常是长度扩大一倍）
•  散列表可用于缓存数据（例如，在Web服务器上）。
•  散列表非常适合用于防止重复。

二. 广度优先搜索(breadth-first search，BFS):

1. 广度优先搜索让你能够找出两样东西之间的最短距离。它可以：
   
2. 图+队列+BFS实现举例：假设你经营着一个芒果农场，需要寻找芒果销售商，以便将芒果卖给他。在Facebook，你与芒果销售商有联系吗？为此，你可在朋友中查找。 这种查找很简单。首先，创建一个朋友名单。然后，依次检查名单中的每个人，看看他是否是芒果销售商。 假设你没有朋友是芒果销售商，那么你就必须在朋友的朋友中查找，检查名单中的每个人时，你都将其朋友加入名单
   
   
   
   （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。如果你将两个元素加入队列，先加入的元素将在后加入的元素之前出队。因此，你可使用队 列来表示查找名单！这样，先加入的人将先出队并先被检查）

算法实现：


图示：

BUT：我们需要想到这样一种情况：Peggy既是Alice的朋友又是Bob的朋友，因此她将被加入队列两次：一次是在添加Alice的朋 友时，另一次是在添加Bob的朋友时。因此，搜索队列将包含两个Peggy。但你只需检查Peggy一次，看她是不是芒果销售商。如果你检查两次，就做了无用功。因此，检查完一个人后，应将其标记为已检查，且不再检查他。为此，你可使用一个 列表来记录检查过的人。

def search(name):     
	search_queue = deque()     
	search_queue += graph[name]     
	searched = [] # 这个数组用于记录检查过的人    
	while search_queue: 
		person = search_queue.popleft() 
		if not person in searched: # 仅当这个人没检查过时才检查
			if person_is_seller(person): 			  
				print person + " is a mango seller!"
			 	return True 
			 else: 
				 search_queue += graph[person] 
				 searched.append(person) # 将其标记为检查过    	
				 return False 
search("you") 

小结：

•  广度优先搜索指出是否有从A到B的路径。
•  如果有，广度优先搜索将找出最短路径。
•  面临类似于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。
•  有向图中的边为箭头，箭头的方向指定了关系的方向，例如，rama→adit表示rama欠adit钱。
•  无向图中的边不带箭头，其中的关系是双向的，例如，ross - rachel表示“ross与rachel约 会，而rachel也与ross约会”。
•  队列是先进先出（FIFO）的。
•  栈是后进先出（LIFO）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