数据结构--宽度优先搜索

词梯问题的例子

使用图的 宽度优先算法 解决 词梯问题。

词梯问题介绍：考虑这样一个任务：将单词 FOOL 转换成 SAGE。在解决词梯问题时，必须每次只替换一个字母，并且每一步的结果都必须是一个单词，而不能是不存在的词。

例子：

第一步：构建图，只有一个字母不同的单词连边

思路：
方法1：先将每一个单词赋予顶点对象。将每一个单词与其他单词对比，只相差一个字母的两个单词添加边。
但是这种办法复杂度太高，进行O(n^2)次比较。×
方法2：用词桶的办法。一边读单词，一边就把单词放到对应的桶里面，同一个桶里面的单词肯定是邻接的。
这样就不用做比较了。（其实这时候比较蕴含在，通配字符串是否存在于字典中，但是复杂度会小很多。）

# 词梯
from pythonds.graphs import Graph


def build_graph(file_name):
    g = Graph()
    f = open(file_name)
    buckets_dict = {}
    # 读取单词，并将其放入词桶
    for line in f.readlines():
        word = line[:-1]
        for i in range(len(word)):
            bucket = word[i] + '_' + word[i + 1:]
            if bucket in buckets_dict:
                buckets_dict[bucket].append(word)
            else:
                buckets_dict[bucket] = [word]
    # 创建图

    for b_list in buckets_dict.values():
        for w in b_list:
            for v in b_list:
                if w != v:
                    g.addEdge(w, v)
    return g

第二步：找到最短路径–宽度优先搜索BFS

（breadth first search）

• 我先用算法形式，描述一遍代码过程：
  初始化：
  将开始点的pre设置为None，distance设置为0，入队。
  循环：
  出队一个点作为当前节点，标记为黑色。
  遍历其邻接表，如果nbr是白色，就将其标记为灰色，将其pre设置为当前节点，将其distance设置为当前顶点+1，并入队。
  以上循环直到队列为空。

评价：出队的顶点黑色；在队列里的灰色，还没入队的白色。

上述过程可以用一个树来表示，其实是建立了一棵宽度优先搜索树。

书上的描述语言是这样的：

用图形来解释：

下面是代码 dfs 函数：

def dfs(g, start):
    """
    g：要进行宽度优先搜索的图
    start：搜索的起始顶点
    """
    # 初始化
    # 先将g中所有顶点的颜色设置成白色
    [vert.setColor('white') for vert in g]
    q = Queue()
    start.setDistance(0)
    start.setPred(None)
    q.enqueue(start)
    while q.size() > 0:
        current_vert = q.dequeue()
        current_vert.setColor('black')
        for nbr in current_vert.getConnections():
            if nbr.getColor() == 'white':
                nbr.setColor('gray')
                nbr.setPred(current_vert)
                nbr.setDistance(current_vert.getDistance() + 1)
                q.enqueue(nbr)

第三步：找到fool转sage的最短词梯–回溯宽度优先搜索树

我们可以用从上面建立的宽度优先搜索树的任意节点开始，沿着pred回溯到根节点，来找到fool转换成任意单词的最短路径。

注意：我们设置了根节点的pred是None。

下面是回溯函数:

def traverse(x):
    """回溯"""
    print('distance:', x.getDistance())
    print('route:')
    while x.getPred():
        print('\t', x.getId())
        x = x.getPred()
    print('\t', x.getId())

最后：测试结果

# 创建图
words_graph = build_graph('words.txt')
# 建立宽度优先搜索树
dfs(words_graph, words_graph.getVertex('fool'))
# 回溯寻找路径
traverse(words_graph.getVertex('sage'))

distance: 6
route:
	 sage
	 sale
	 pale
	 pall
	 poll
	 pool
	 fool

注: 文本文件中单词顺序不同，创建的搜索树也可能不同。但是最短距离肯定是一样的，因为图是唯一的。

宽度优先搜索复杂度分析

while循环遍历的是队列元素，每个顶点就入队一次，出队一次，所以这个复杂度是O(V)。
for循环遍历每个顶点的邻接表，复杂度是O(E).
总的时间复杂度就是O(V+E)