【算法】图的深度优先搜索广度优先搜索复杂度分析 python代码实现

最新推荐文章于 2024-08-09 21:26:42 发布

scxyz_

最新推荐文章于 2024-08-09 21:26:42 发布

阅读量7.2k

点赞数 6

分类专栏：数据结构与算法文章标签：图算法深度优先广度优先 python

本文链接：https://blog.csdn.net/sscc_learning/article/details/89167760

版权

深度优先搜索算法和广度优先搜索算法都是基于“图”这种数据结构的。

作为图的搜索算法，既可用于有向图，也可用于无向图，以下均用无向图讲解。

广度优先搜索

Breadth-First-Search，BFS。
一种“地毯式”层层推进的搜索策略，先查找离起始顶点最近的，然后是次近的，依次往外搜索。

s 表示起始顶点，t 表示终止顶点。搜索一条从 s 到 t 的路径。
实际上，求得的路径就是从 s 到 t 的最短路径。
广度优先搜索
代码(下面有完整代码)中包含3个重要的辅助变量：

visited -> list，保存已经访问的顶点，避免重复访问；
q -> queue，队列，逐层访问。
每次弹出第k层顶点时，将第与k连接的k+1层顶点添加至队尾（添加前会通过visited检测是否已经访问，只入队未访问过的顶点）；
prev -> list，保存搜索路径，例如prev[3] = 2，代表顶点3的前驱顶点为顶点2，用于后期打印。

在这里插入图片描述
时间复杂度O(n)，空间复杂度O(n)。

最坏的情况，s 与 t 相距较远，需要遍历完整的图才能找到，而遍历是不重复的，最多遍历全部顶点，所以复杂度是O(n)。
中间的三个辅助变量，大小均不会超过顶点个数，所以空间复杂度也是O(n)。

深度优先搜索

Depth-First-Search，DFS。
用“走迷宫”举例，随意选择一个岔路口来走，走着走着发现走不通，你就回退到上一个岔路口，重新选择一条路继续走，直到最终找到出口。这种走法就是一种深度优先搜索策略。
用的是回溯思想，后面会单独讲回溯。

深度优先搜索找出的路径并不是最短路径。

代码中用到的辅助变量：

visited
prev
found -> bool，标识作用，已经找到终止顶点 t 后，不再递归查找。

前两个变量与上面的广度优先遍历一致。

时间复杂度O(n)，空间复杂度O(n)。
每条边最多会被访问两次，所以时间复杂度为O(n)。
空间复杂度原因与广度优先搜索一致。

代码

from collections import deque
class Graph:
    """无向图"""
    def __init__(self, num_vertices):
        # 顶点数量
        self._num_vertices = num_vertices
        # [[], [], [] ...]，内部每个小列表存储该顶点的相连的其他顶点
        self._adjacency = [[] for _ in range(num_vertices)]
    def add_edge(self