《算法图解》学习笔记(六):图和广度优先搜索(附代码)

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/TeFuirnever/article/details/100688614

python学习之路 - 从入门到精通到大师

一、图简介

在这里插入图片描述
假设你居住在旧金山,要从双子峰前往金门大桥。你想乘公交车前往,并希望换乘最少。可乘坐的公交车如下:
在这里插入图片描述
为找出换乘最少的乘车路线,你将使用什么样的算法?一步就能到达金门大桥吗?下面突出了所有一步就能到达的地方。
在这里插入图片描述
金门大桥未突出,因此一步无法到达那里。两步能吗?
在这里插入图片描述
金门大桥也未突出,因此两步也到不了。三步呢?
在这里插入图片描述
金门大桥突出了!因此从双子峰出发,可沿下面的路线三步到达金门大桥。
在这里插入图片描述
还有其他前往金门大桥的路线,但它们更远(需要四步)。这个算法发现,前往金门大桥的最短路径需要三步。这种问题被称为 最短路径问题(shorterst-path problem)。你经常要找出最短路径,这可能是前往朋友家的最短路径,也可能是国际象棋中把对方将死的最少步数。解决最短路径问题的算法被称为广度优先搜索

要确定如何从双子峰前往金门大桥,需要两个步骤。

  1. 使用图来建立问题模型。
  2. 使用广度优先搜索解决问题。

二、图是什么

图模拟一组连接。
在这里插入图片描述
例如,假设你与朋友玩牌,并要模拟谁欠谁钱,可像下面这样指出 Alex 欠 Rama 钱。
在这里插入图片描述
完整的欠钱图可能类似于下面这样。
在这里插入图片描述
Alex 欠 Rama 钱,Tom 欠 Adit 钱,等等。图由节点(node)和边(edge)组成。
在这里插入图片描述
就这么简单!图由节点和边组成。一个节点可能与众多节点直接相连,这些节点被称为邻居。在前面的欠钱图中,Rama 是 Alex 的邻居。Adit 不是 Alex 的邻居,因为他们不直接相连。但 Adit 既是 Rama 的邻居,又是 Tom 的邻居。图用于模拟不同的东西是如何相连的。

三、广度优先搜索

介绍第一种图算法——广度优先搜索(breadth-first search,BFS)。在第1章我们介绍了一种查找算法——二分查找(《算法图解》学习笔记(一):二分查找(附代码))。广度优先搜索是一种用于图的查找算法,可帮助回答两类问题。

  • 第一类问题:从节点A出发,有前往节点B的路径吗?
  • 第二类问题:从节点A出发,前往节点B的哪条路径最短?

广度优先搜索让你能够找出两样东西之间的最短距离,不过最短距离的含义有很多!使用广度优先搜索可以:

  • 编写国际跳棋AI,计算最少走多少步就可获胜;
  • 编写拼写检查器,计算最少编辑多少个地方就可将错拼的单词改成正确的单词,如将READED改为READER需要编辑一个地方;
  • 根据你的人际关系网络找到关系最近的医生。

还有很多,这里就不一一列举了。

前面计算从双子峰前往金门大桥的最短路径时,你使用过广度优先搜索。这个问题属于第二类问题:哪条路径最短?下面来详细地研究这个算法,你将使用它来回答第一类问题:有路径吗?
在这里插入图片描述
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。
在这里插入图片描述
这种查找很简单。首先,创建一个朋友名单。
在这里插入图片描述
然后,依次检查名单中的每个人,看看他是否是芒果销售商。
在这里插入图片描述
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。
在这里插入图片描述
检查名单中的每个人时,你都将其朋友加入名单。
在这里插入图片描述
这样一来,你不仅在朋友中查找,还在朋友的朋友中查找。别忘了,你的目标是在你的人际关系网中找到一位芒果销售商。因此,如果 Alice 不是芒果销售商,就将其朋友也加入到名单中。这意味着你将在她的朋友、朋友的朋友等中查找。使用这种算法将搜遍你的整个人际关系网,直到找到芒果销售商。这就是 广度优先搜索算法

1)查找最短路径

再说一次,广度优先搜索可回答两类问题。

  • 第一类问题:从节点A出发,有前往节点B的路径吗?(在你的人际关系网中,有芒果销售商吗?)
  • 第二类问题:从节点A出发,前往节点B的哪条路径最短?(哪个芒果销售商与你的关系最近?)

刚才你看到了如何回答第一类问题,下面来尝试回答第二类问题——谁是关系最近的芒果销售商。例如,朋友是一度关系,朋友的朋友是二度关系。
在这里插入图片描述
在你看来,一度关系胜过二度关系,二度关系胜过三度关系,以此类推。因此,你应先在一度关系中搜索,确定其中没有芒果销售商后,才在二度关系中搜索。广度优先搜索就是这样做的!在广度优先搜索的执行过程中,搜索范围从起点开始逐渐向外延伸,即先检查一度关系,再检查二度关系。顺便问一句:将先检查 Claire 还是 Anuj 呢?Claire 是一度关系,而Anuj是二度关系,因此将先检查 Claire,后检查 Anuj。

你也可以这样看,一度关系在二度关系之前加入查找名单。

你按顺序依次检查名单中的每个人,看看他是否是芒果销售商。这将先在一度关系中查找,再在二度关系中查找,因此找到的是关系最近的芒果销售商。广度优先搜索不仅查找从A到B的路径,而且找到的是最短的路径。
在这里插入图片描述
注意,只有按添加顺序查找时,才能实现这样的目的。换句话说,如果 Claire 先于 Anuj 加入名单,就需要先检查Claire,再检查 Anuj。如果 Claire 和 Anuj 都是芒果销售商,而你先检查 Anuj 再检查 Claire,结果将如何呢?找到的芒果销售商并非是与你关系最近的,因为 Anuj 是你朋友的朋友,而 Claire 是你的朋友。因此,你需要按添加顺序进行检查。有一个可实现这种目的的数据结构,那就是 队列(queue)

2)队列

队列的工作原理与现实生活中的队列完全相同。
在这里插入图片描述
假设你与朋友一起在公交车站排队,如果你排在他前面,你将先上车。队列的工作原理与此相同。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
在这里插入图片描述
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。

队列是一种 先进先出(First In First Out,FIFO) 的数据结构,而栈是一种 后进先出(Last InFirst Out,LIFO) 的数据结构。
在这里插入图片描述

四、实现图

首先,需要使用代码来实现图。图由多个节点组成。

每个节点都与邻近节点相连,如果表示类似于“你→Bob”这样的关系呢?好在你知道的一种结构让你能够表示这种关系,它就是哈希表(《算法图解》学习笔记(五):哈希表,小名散列表(附代码))!
在这里插入图片描述
记住,哈希表让你能够将键映射到值。在这里,你要将节点映射到其所有邻居。
在这里插入图片描述
表示这种映射关系的Python代码如下。

graph = {}
graph["you"] = ["alice", "bob", "claire"]

注意,“你”被映射到了一个数组,因此 graph [“you”] 是一个数组,其中包含了“你”的所有邻居。

图不过是一系列的节点和边,因此在Python中,只需使用上述代码就可表示一个图。那像下面这样更大的图呢?
在这里插入图片描述
表示它的Python代码如下。

graph = {}
graph["you"] = ["alice", "bob", "claire"]
graph["bob"] = ["anuj", "peggy"]
graph["alice"] = ["peggy"]
graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []
graph["peggy"] = []
graph["thom"] = []
graph["jonny"] = []

顺便问一句:键—值对的添加顺序重要吗?换言之,如果你这样编写代码:

graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []

而不是这样编写代码:

graph["anuj"] = []
graph["claire"] = ["thom", "jonny"]

对结果有影响吗?

只要回顾一下前一章介绍的内容(《算法图解》学习笔记(五):哈希表,小名散列表(附代码)),你就知道没影响。哈希表是无序的,因此添加键—值对的顺序无关紧要。

Anuj、Peggy、Thom 和 Jonny 都没有邻居,这是因为虽然有指向他们的箭头,但没有从他们出发指向其他人的箭头。这被称为 有向图(directed graph),其中的关系是单向的。因此,Anuj 是 Bob 的邻居,但 Bob 不是 Anuj 的邻居。无向图(undirected graph) 没有箭头,直接相连的节点互为邻居。例如,下面两个图是等价的。
在这里插入图片描述

五、实现算法

先概述一下这种算法的工作原理。
在这里插入图片描述
首先,创建一个队列。在Python中,可使用函数deque来创建一个双端队列。

from collections import deque
search_queue = deque() # 创建一个队列
search_queue += graph["you"] # 将你的邻居都加入到这个搜索队列中

别忘了,graph [“you”] 是一个数组,其中包含你的所有邻居,如 [“alice”, “bob”, “claire”]。这些邻居都将加入到搜索队列中。
在这里插入图片描述
下面来看看其他的代码。

while search_queue: # 只要队列不为空,
	person = search_queue.popleft() # 就取出其中的第一个人
	if person_is_seller(person): # 检查这个人是否是芒果销售商
		print(person + " is a mango seller!") # 是芒果销售商
		return True
	else:
		search_queue += graph[person] # 不是芒果销售商。将这个人的朋友都加入搜索队列
return False # 如果到达了这里,就说明队列中没人是芒果销售商

最后,你还需编写函数 person_is_seller,判断一个人是不是芒果销售商,如下所示。

def person_is_seller(name):
	return name[-1] == 'm'

这个函数检查人的姓名是否以m结尾:如果是,他就是芒果销售商。这种判断方法有点搞笑,但就这个示例而言是可行的。下面来看看广度优先搜索的执行过程。
在这里插入图片描述
这个算法将不断执行,直到满足以下条件之一:

  • 找到一位芒果销售商;
  • 队列变成空的,这意味着你的人际关系网中没有芒果销售商。

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。
在这里插入图片描述
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。如果不这样做,就可能会导致无限循环。假设你的人际关系网类似于下面这样。
在这里插入图片描述
一开始,搜索队列包含你的所有邻居。
在这里插入图片描述
现在你检查Peggy。她不是芒果销售商,因此你将其所有邻居都加入搜索队列。
在这里插入图片描述
接下来,你检查自己。你不是芒果销售商,因此你将你的所有邻居都加入搜索队列。
在这里插入图片描述
以此类推。这将形成无限循环,因为搜索队列将在包含你和包含Peggy之间反复切换。
在这里插入图片描述
检查一个人之前,要确认之前没检查过他,这很重要。为此,你可使用一个列表来记录检查过的人。

考虑到这一点后,广度优先搜索的最终代码如下。

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) # 将这个人标记为检查过
	return False
	
search("you")

请尝试运行这些代码,看看其输出是否符合预期。你也许应该将函数 person_is_seller 改为更有意义的名称。

python版本代码如下:

from collections import deque

def person_is_seller(name):
      return name[-1] == 'm'

graph = {}
graph["you"] = ["alice", "bob", "claire"]
graph["bob"] = ["anuj", "peggy"]
graph["alice"] = ["peggy"]
graph["claire"] = ["thom", "jonny"]
graph["anuj"] = []
graph["peggy"] = []
graph["thom"] = []
graph["jonny"] = []

def search(name):
    search_queue = deque()
    search_queue += graph[name]
    #这个数组是如何跟踪你以前搜索过的人的
    searched = []
    while search_queue:
        person = search_queue.popleft()
        #只有在你还没搜过这个人的时候才搜
        if person not in searched:
            if person_is_seller(person):
                print(person + " is a mango seller!")
                return True
            else:
                search_queue += graph[person]
                #将此人标记为已搜索
                searched.append(person)
    return False

search("you")

在这里插入图片描述
c++版本代码如下:

#include <iostream>
#include <unordered_map>
#include <string>
#include <vector>
#include <queue>
#include <unordered_set>

using std::cout;
using std::endl;

bool is_seller(const std::string& name) {
    return name.back() == 'm';
}

template <typename T>
bool search(const T& name, const std::unordered_map<T, std::vector<T>>& graph) {
    std::queue<T> search_queue;
    std::unordered_set<T> searched;

    // add all friends to search queue
    for (auto friend_name : graph.find(name) -> second) {
        search_queue.push(friend_name);
    }

    while (!search_queue.empty()) {
        T& person = search_queue.front();
        search_queue.pop();

        // only search this person if you haven't already searched them.
        if (searched.find(person) == searched.end()) {
            if (is_seller(person)) {
                cout << person << " is a mango seller!" << endl;
                return true;
            }
            std::vector<T> friend_list = graph.find(person) -> second;
            
            // add all friends of a person to search queue
            for (T friend_name : friend_list) {
                search_queue.push(friend_name);
            }

            // mark this person as searched
            searched.insert(person);
        }
    }

    return false;
}

int main() {
    std::unordered_map<std::string, std::vector<std::string>> graph;
    graph.insert({"you", {"alice", "bob", "claire"}});
    graph.insert({"bob", {"anuj", "peggy"}});
    graph.insert({"alice", {"peggy"}});
    graph.insert({"claire", {"thom", "jonny"}});
    graph.insert({"anuj", {}});
    graph.insert({"peggy", {}});
    graph.insert({"thom", {}});
    graph.insert({"jonny", {}});

    std::string name = "you";
    bool result = search(name, graph);
    cout << "Found mango seller: " << result << endl;
}

六、运行时间

如果你在你的整个人际关系网中搜索芒果销售商,就意味着你将沿每条边前行(记住,边是从一个人到另一个人的箭头或连接),因此运行时间至少为O(边数)。

你还使用了一个队列,其中包含要检查的每个人。将一个人添加到队列需要的时间是固定的,即为O(1),因此对每个人都这样做需要的总时间为O(人数)。所以,广度优先搜索的运行时间为O(人数 + 边数),这通常写作O(V + E),其中V为顶点数,E为边数。

七、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。

参考文章

  • 《算法图解》

文章创建于: 2019-09-10 09:08:16
展开阅读全文

没有更多推荐了,返回首页